WO2021132818A1 - 의류의 움직임에 기반한 무빙행거 제어 - Google Patents

의류의 움직임에 기반한 무빙행거 제어 Download PDF

Info

Publication number
WO2021132818A1
WO2021132818A1 PCT/KR2020/006994 KR2020006994W WO2021132818A1 WO 2021132818 A1 WO2021132818 A1 WO 2021132818A1 KR 2020006994 W KR2020006994 W KR 2020006994W WO 2021132818 A1 WO2021132818 A1 WO 2021132818A1
Authority
WO
WIPO (PCT)
Prior art keywords
clothing
moving
dust
styler
clothes
Prior art date
Application number
PCT/KR2020/006994
Other languages
English (en)
French (fr)
Inventor
김원철
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 EP20907904.5A priority Critical patent/EP4083298A4/en
Priority to US17/785,691 priority patent/US20230063375A1/en
Priority to CN202080090299.8A priority patent/CN114901889B/zh
Publication of WO2021132818A1 publication Critical patent/WO2021132818A1/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
    • D06F58/00—Domestic laundry dryers
    • D06F58/10—Drying cabinets or drying chambers having heating or ventilating means
    • D06F58/12—Drying cabinets or drying chambers having heating or ventilating means having conveying means for moving clothes, e.g. along an endless track
    • 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 
    • 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
    • D06F34/20—Parameters relating to constructional components, e.g. door sensors
    • 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
    • D06F34/26—Condition of the drying air, e.g. air humidity or temperature
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F35/00—Washing machines, apparatus, or methods not otherwise provided for
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • D06F58/36—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F58/44—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry of conditioning or finishing, e.g. for smoothing or removing creases
    • 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
    • D06F71/00—Apparatus for hot-pressing clothes, linen or other textile articles, i.e. wherein there is substantially no relative movement between pressing element and article while pressure is being applied to the article; Similar machines for cold-pressing clothes, linen or other textile articles
    • D06F71/32—Details
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F73/00—Apparatus for smoothing or removing creases from garments or other textile articles by formers, cores, stretchers, or internal frames, with the application of heat or steam 
    • D06F73/02—Apparatus for smoothing or removing creases from garments or other textile articles by formers, cores, stretchers, or internal frames, with the application of heat or steam  having one or more treatment chambers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • 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
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/28—Air properties
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/64—Radiation, e.g. microwaves
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/36—Condensing arrangements, e.g. control of water injection therefor

Definitions

  • the present specification relates to a method and apparatus for controlling a moving hanger based on movement of clothes.
  • Machine learning Deep learning
  • elemental technologies using machine learning.
  • Machine learning is an algorithm technology that categorizes/learns the characteristics of input data by itself, and element technology uses machine learning algorithms such as deep learning to simulate functions such as cognition and judgment of the human brain. It consists of technical fields such as understanding, reasoning/prediction, knowledge expression, and motion control.
  • the clothing styler controls the moving hanger regardless of the type and/or movement of the clothing, thereby causing damage to the clothing or unnecessarily large power consumption.
  • the present specification aims to solve the above-mentioned needs and/or problems.
  • Another object of the present specification is to implement a method and apparatus for controlling a moving hanger based on the movement of clothes that can control the vibration pattern of the moving hanger according to the movement of the clothes.
  • Another object of the present specification is to implement a method and an apparatus for controlling a moving hanger based on the movement of clothes that can control the moving hanger so that damage to the clothes is minimized.
  • Another object of the present specification is to implement a method and apparatus for controlling a moving hanger based on the movement of clothes capable of controlling the moving hanger so as to minimize unnecessary power consumption.
  • a method of controlling a clothing styler includes: sensing dust inside a processing chamber through a sensor while a moving hanger is operated in a first moving pattern; generating movement information of clothes provided in the processing chamber through a camera while the moving hanger operates in the first moving pattern; determining a second moving pattern based on the movement information of the clothes and the amount of dust; and controlling the moving hanger with the determined second moving pattern.
  • the movement information may include a movement distance of the clothing due to vibration of the moving hanger.
  • the second moving pattern may be determined using a learning model trained to take the movement information and the amount of dust as inputs and generate an output for determining the vibration width or vibration speed of the moving hanger.
  • the learning model may be implemented as an artificial neural network model based on reinforcement learning.
  • the reinforcement learning-based artificial neural network model may be a model in which the movement information of the clothes and the amount of dust are defined as states.
  • the reinforcement learning-based artificial neural network model may be a model in which the vibration amplitude or the vibration speed of the moving hanger is defined as an action.
  • the reinforcement learning-based artificial neural network model may be a model for calculating a reward based on at least one of the movement information of the clothing and the amount of dust.
  • the compensation may be calculated to increase in proportion to the amount of dust.
  • the compensation may be calculated to increase in proportion to the amount of dust, but to increase in inverse proportion to the moving distance.
  • the determining of the second moving pattern further includes: receiving, from a network, downlink control information (DCI) used to schedule transmission of movement information and dust amount of the clothing; Information and dust amount may be transmitted to the network based on the DCI.
  • DCI downlink control information
  • the method further includes the step of performing an initial access procedure with the network based on a synchronization signal block (SSB), wherein the movement information of the clothes and the amount of dust are transmitted to the network through a physical uplink shared channel (PUSCH), and the Dedicated demodulation reference signal (DM-RS) of the SSB and the PUSCH may be QCL for quasi-co loaction (QCL) type D.
  • SSB synchronization signal block
  • PUSCH physical uplink shared channel
  • DM-RS Dedicated demodulation reference signal
  • QCL quasi-co loaction
  • a clothing styler includes: a sensor for sensing dust inside a processing chamber while a moving hanger operates in a first moving pattern; a camera for photographing an image inside the processing chamber while the moving hanger operates in the first moving pattern; and generating movement information of clothes provided in the processing chamber from the image, determining a second moving pattern based on the movement information of the clothes and an amount of dust, and controlling the moving hanger with the determined second moving pattern.
  • processor including.
  • the present specification can control the vibration pattern of the moving hanger according to the movement of the clothes.
  • the present specification may control the moving hanger to minimize damage to clothing.
  • the present specification can control the moving hanger so that unnecessary power consumption is minimized.
  • 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 basic operations of a user terminal and a 5G network in a 5G communication system.
  • FIG. 4 is a block diagram of an AI device applied to various embodiments of the present specification.
  • FIG. 5 is a diagram illustrating a block diagram of an electronic device.
  • FIGS. 6 and 7 are views illustrating the appearance of a clothing styler applied to various embodiments of the present specification.
  • FIG. 8 is a block diagram of a clothing styler applied to various embodiments of the present specification.
  • 9 is an exemplary diagram for explaining single agent reinforcement learning.
  • FIG. 10 is a flowchart of a method for controlling a clothing styler according to an embodiment of the present specification.
  • 11 and 12 are diagrams for explaining S130 of FIG. 10 .
  • FIG. 13 is a sequence diagram illustrating a method for controlling a clothing styler according to another exemplary embodiment of the present specification.
  • FIG. 1 illustrates a block diagram of a wireless communication system to which the methods proposed in the present specification can be applied.
  • a device (AI device) including an AI module may be defined as a first communication device ( 910 in FIG. 1 ), and a processor 911 may perform detailed AI operations.
  • a second communication device ( 920 in FIG. 1 ) may perform a 5G network including another device (AI server) that communicates with the AI device, and the processor 921 may perform detailed AI operations.
  • AI server another device that communicates with the AI device
  • the processor 921 may perform detailed AI operations.
  • the 5G network may be represented as the first communication device, and the AI device may be represented as the second communication device.
  • the first communication device or the second communication device may include a base station, a network node, a transmitting terminal, a receiving terminal, a wireless device, a wireless communication device, a vehicle, a vehicle equipped with an autonomous driving function, a connected car, Drone (Unmanned Aerial Vehicle, UAV), AI (Artificial Intelligence) Module, Robot, AR (Augmented Reality) Device, VR (Virtual Reality) Device, MR (Mixed Reality) Device, Hologram Device, Public Safety Device, MTC Device, IoT It may be a device, a medical device, a fintech device (or a financial device), a security device, a climate/environmental device, a device related to 5G services, or other devices related to the field of the fourth industrial revolution.
  • a terminal or user equipment includes a mobile phone, a smart phone, a laptop computer, a digital broadcasting terminal, 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 tablet PC
  • ultrabook ultrabook
  • wearable device e.g., watch-type terminal (smartwatch), glass-type terminal (smart glass), HMD (head mounted display)
  • the HMD may be a display device worn on the head.
  • an HMD may be used to implement VR, AR or MR.
  • the drone may be a flying vehicle that does not ride by a person and flies by a wireless 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 implements by connecting an object or background in the virtual world to an object or background in the real world.
  • the MR device may include a device that implements a virtual world object or background by fusion with a real world object or background.
  • the hologram device may include a device for realizing a 360-degree stereoscopic image by recording and reproducing stereoscopic information by utilizing an interference phenomenon of light generated by the meeting of two laser beams called holography.
  • the public safety device may include an image relay device or an image device that can be worn on a user's 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.
  • a medical device may be a device used for the purpose of diagnosing, treating, alleviating, treating, or preventing a disease.
  • a 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 structure or function.
  • the medical device may be a device used for the purpose of controlling pregnancy.
  • the medical device may include a medical device, a surgical device, an (ex vivo) diagnostic device, a hearing aid, or a device for 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 911,921, a memory 914,924, and one or more Tx/Rx RF modules (radio frequency module, 915,925). , including Tx processors 912 and 922 , Rx processors 913 and 923 , and antennas 916 and 926 . Tx/Rx modules are also called transceivers. Each Tx/Rx module 915 transmits a signal via a respective antenna 926 .
  • the processor implements the functions, processes and/or methods salpinned above.
  • the processor 921 may be associated with a memory 924 that stores program code and data. Memory may be referred to as a computer-readable medium.
  • the transmit (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 (second communication device to first communication device communication) 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 via 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. Memory may be referred to as a computer-readable medium.
  • FIG. 2 is a diagram illustrating an example of a signal transmission/reception method in a wireless communication system.
  • the UE performs an initial cell search operation such as synchronizing with the BS when the power is turned on or a new cell is entered ( S201 ).
  • the UE receives a primary synchronization channel (P-SCH) and a secondary synchronization channel (S-SCH) from the BS, synchronizes with the BS, and acquires information such as cell ID can do.
  • P-SCH primary synchronization channel
  • S-SCH secondary synchronization channel
  • the P-SCH and the S-SCH are called a primary synchronization signal (PSS) and a secondary synchronization signal (SSS), respectively.
  • PSS primary synchronization signal
  • SSS secondary synchronization signal
  • the UE may receive a physical broadcast channel (PBCH) from the BS to obtain broadcast information in the cell.
  • PBCH physical broadcast channel
  • the UE may check the downlink channel state by receiving a downlink reference signal (DL RS) in the initial cell search step.
  • DL RS downlink reference signal
  • the UE receives a physical downlink control channel (PDCCH) and a physical downlink shared channel (PDSCH) according to information carried on the PDCCH to obtain more specific system information.
  • PDCCH physical downlink control channel
  • PDSCH physical downlink shared channel
  • the UE may perform a random access procedure (RACH) to the BS (steps S203 to S206).
  • RACH random access procedure
  • the UE transmits a specific sequence as a preamble through a physical random access channel (PRACH) (S203 and S205), and a random access response to the preamble through the PDCCH and the corresponding PDSCH (random access response, RAR) message may be received (S204 and S206).
  • PRACH physical random access channel
  • RAR random access response
  • a contention resolution procedure may be additionally performed.
  • the UE receives PDCCH/PDSCH (S207) and a 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 a set of PDCCH candidates in monitoring opportunities set in one or more control element sets (CORESETs) on a serving cell according to corresponding search space configurations.
  • the set of PDCCH candidates to be monitored by the UE is defined in terms of search space sets, which 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 may configure the UE to have multiple CORESETs.
  • the UE monitors PDCCH candidates in one or more search space sets. Here, monitoring means trying to decode PDCCH candidate(s) in the search space. If the UE succeeds in decoding one of the PDCCH candidates in the search space, the UE determines that the PDCCH is detected in the corresponding PDCCH candidate, and performs PDSCH reception or PUSCH transmission based on DCI in the detected PDCCH.
  • the PDCCH may be used to schedule DL transmissions on PDSCH and UL transmissions on PUSCH.
  • the DCI on the PDCCH is a downlink assignment (i.e., downlink grant; DL grant) including at least modulation and coding format and resource allocation information related to the downlink shared channel, or uplink It includes an uplink grant (UL grant) including a modulation and coding format and resource allocation information related to a shared channel.
  • DL grant downlink grant
  • UL grant uplink grant
  • an initial access (IA) procedure in a 5G communication system will be additionally described.
  • the UE may perform cell search, system information acquisition, beam alignment for initial access, DL measurement, and the like based on the SSB.
  • the SSB is mixed with an SS/PBCH (Synchronization Signal/Physical Broadcast channel) block.
  • SS/PBCH Synchronization Signal/Physical Broadcast channel
  • SSB consists of PSS, SSS and PBCH.
  • the SSB is configured in four consecutive OFDM symbols, and PSS, PBCH, SSS/PBCH or PBCH are transmitted for each OFDM symbol.
  • PSS and SSS consist of 1 OFDM symbol and 127 subcarriers, respectively, and PBCH consists 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 ID (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.
  • the SSB is transmitted periodically according to the SSB period (periodicity).
  • the SSB basic period assumed by the UE during initial cell discovery 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).
  • the 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 Remaining Minimum System Information (RMSI).
  • the MIB includes information/parameters for monitoring the PDCCH scheduling the PDSCH carrying the 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, where x is an integer of 2 or more). SIBx is included in the SI message and transmitted through the PDSCH. Each SI message is transmitted within a periodically occurring time window (ie, an SI-window).
  • RA random access
  • the random access process is used for a variety of purposes.
  • the random access procedure may be used for network initial access, handover, and UE-triggered UL data transmission.
  • the UE may acquire UL synchronization and UL transmission resources through a random access procedure.
  • 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 through the PRACH as Msg1 of the random access procedure in the UL.
  • Random access preamble sequences having two different lengths are supported.
  • the long sequence length 839 applies for subcarrier spacings of 1.25 and 5 kHz, and the short sequence length 139 applies for subcarrier spacings of 15, 30, 60 and 120 kHz.
  • the BS When the BS receives the random access preamble from the UE, the BS sends a random access response (RAR) message (Msg2) to the UE.
  • RAR random access response
  • the PDCCH scheduling the PDSCH carrying the RAR is CRC-masked and transmitted with a random access (RA) radio network temporary identifier (RNTI) (RA-RNTI).
  • RA-RNTI random access radio network temporary identifier
  • the UE detecting the PDCCH masked by the RA-RNTI may receive the RAR from the PDSCH scheduled by the DCI carried by the PDCCH.
  • the UE checks whether the random access response information for the preamble it has transmitted, that is, Msg1, is in the RAR.
  • Whether or not random access information for Msg1 transmitted by itself exists may be determined by whether a random access preamble ID for the preamble transmitted by the UE exists. If there is no response to Msg1, the UE may retransmit the RACH preamble within a predetermined number of times while performing power ramping. The UE calculates the PRACH transmit power for the retransmission of the preamble based on the most recent path loss and power ramping counter.
  • the UE may transmit UL transmission on the uplink shared channel as Msg3 of the random access procedure based on the random access response information.
  • Msg3 may include the RRC connection request and UE identifier.
  • the network may send Msg4, which may be treated as a contention resolution message on DL.
  • 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 a Tx beam and Rx beam sweeping to determine an Rx beam.
  • a configuration for a beam report using the SSB is performed during channel state information (CSI)/beam configuration in RRC_CONNECTED.
  • CSI channel state information
  • the UE receives from the BS a CSI-ResourceConfig IE including a CSI-SSB-ResourceSetList for SSB resources used for BM.
  • the RRC parameter csi-SSB-ResourceSetList indicates 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.
  • - UE receives signals on SSB resources from BS based on CSI-SSB-ResourceSetList.
  • the UE reports the best SSBRI and the corresponding RSRP to the BS.
  • the reportQuantity of the CSI-RS reportConfig IE is set to 'ssb-Index-RSRP', the UE reports the best SSBRI and the corresponding RSRP to the BS.
  • the UE has the CSI-RS and the SSB in the 'QCL-TypeD' point of view. co-located, QCL).
  • QCL-TypeD may mean QCL between antenna ports in terms of spatial Rx parameters.
  • the Rx beam determination (or refinement) process of the UE using the CSI-RS and the Tx beam sweeping process of the BS will be described in turn.
  • 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 repeatedly receives 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 do.
  • the UE determines its own Rx beam.
  • the UE omits CSI reporting. That is, the UE may omit the CSI report when the multi-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 filter) of the BS.
  • 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 to the BS.
  • ID eg, CRI
  • RSRP related quality information
  • the UE receives the RRC signaling (eg, SRS-Config IE) including the (RRC parameter) usage parameter set to 'beam management' 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 that used in SSB, CSI-RS, or SRS for each SRS resource.
  • SRS-SpatialRelationInfo is configured in the SRS resource, the same beamforming as that used in SSB, CSI-RS, or SRS is applied and transmitted. However, if SRS-SpatialRelationInfo is not configured in the SRS resource, the UE arbitrarily 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 can be supported when the UE knows 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 the RRC signaling of the BS.
  • RRC signaling Declare beam failure when reaching the threshold set by .
  • the UE After beam failure is detected, 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 provides dedicated random access resources for certain beams, these are prioritized by the UE). Upon completion of the random access procedure, beam failure recovery is considered complete.
  • URLLC transmission defined in NR is (1) a relatively low traffic size, (2) a relatively low arrival rate (low arrival rate), (3) extremely low latency requirements (eg, 0.5, 1ms), (4) a relatively short transmission duration (eg, 2 OFDM symbols), and (5) transmission for an urgent service/message.
  • transmission for a specific type of traffic eg, URLLC
  • eMBB previously scheduled transmission
  • eMBB and URLLC services may be scheduled on non-overlapping time/frequency resources, and URLLC transmission may occur on resources scheduled for ongoing eMBB traffic.
  • the eMBB UE may not 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.
  • NR provides a preemption indication.
  • the preemption indication may also be referred to as an interrupted transmission indication.
  • the UE receives the DownlinkPreemption IE through RRC signaling from the BS.
  • the UE is provided with the DownlinkPreemption IE, for monitoring the PDCCH carrying DCI format 2_1, the UE is configured with the INT-RNTI provided by the parameter int-RNTI in the DownlinkPreemption IE.
  • the UE is additionally configured with a set of serving cells by INT-ConfigurationPerServing Cell, including a set of serving cell indices provided by servingCellID, and a corresponding set of positions for fields in DCI format 2_1 by positionInDCI, in dci-PayloadSize It is established with the information payload size for DCI format 2_1 by the timeFrequencySect, and is set with the indicated granularity of time-frequency resources by timeFrequencySect.
  • the UE receives DCI format 2_1 from the BS based on the DownlinkPreemption IE.
  • the UE When the UE detects DCI format 2_1 for a serving cell in the set set of serving cells, the UE determines that DCI format 2_1 of the set of PRBs and symbols of the monitoring period immediately preceding the monitoring period to which DCI format 2_1 belongs.
  • DCI format 2_1 It can be assumed that there is no transmission to the UE within the indicated PRBs and symbols. For example, the UE sees that the signal in the time-frequency resource indicated by the preemption is not the scheduled DL transmission for itself and decodes data based on the signals received in the remaining resource region.
  • mMTC massive machine type communication
  • 5G to support hyper-connectivity service that communicates simultaneously with a large number of UEs.
  • the UE communicates intermittently with a very low transmission rate and mobility. Therefore, mMTC is primarily aimed at how long the UE can run at a low cost.
  • 3GPP deals with MTC and NB (NarrowBand)-IoT.
  • the mMTC technology has features such as repeated transmission of PDCCH, PUCCH, physical downlink shared channel (PDSCH), PUSCH, and the like, frequency hopping, retuning, and guard period.
  • a PUSCH (or PUCCH (particularly, long PUCCH) or PRACH) including specific information and a PDSCH (or PDCCH) including a response to specific information are repeatedly transmitted.
  • Repeated transmission is performed through frequency hopping, and for repeated transmission, (RF) retuning is performed in a guard period from a first frequency resource to a second frequency resource, and specific information
  • RF retuning is performed in a guard period from a first frequency resource to a second frequency resource
  • a response to specific information may be transmitted/received through a narrowband (ex. 6 RB (resource block) or 1 RB).
  • FIG. 3 shows an example of basic operations of a user terminal and a 5G network in a 5G communication system.
  • the UE transmits the specific information transmission to the 5G network (S1).
  • the 5G network performs 5G processing on the specific information (S2).
  • the 5G processing may include AI processing.
  • the 5G network transmits a response including the AI processing result to the UE (S3).
  • step S1 and step S3 of FIG. 3 in order for the UE to transmit/receive signals, information, etc. with the 5G network, the UE has an initial access procedure and random access with the 5G network before step S1 of FIG. random access) procedure.
  • the UE performs an initial connection 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 in the process of the UE receiving a signal from the 5G network, the QCL (quasi-co location) relationship is can be added.
  • 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. Accordingly, 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 a 5G processing result for 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. Then, the UE receives DCI format 2_1 including a pre-emption indication from the 5G network based on the DownlinkPreemption IE. And, 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, the UE may receive a UL grant from the 5G network when it is necessary to transmit specific information.
  • the UE receives a UL grant from the 5G network to transmit specific information to the 5G network.
  • the UL grant includes information on the number of repetitions for transmission of 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.
  • repeated transmission of specific information may be performed through frequency hopping, transmission of the first specific information may be transmitted in a first frequency resource, and transmission of the second specific information may be transmitted in a second frequency resource.
  • Specific information may be transmitted through a narrowband of 6RB (Resource Block) or 1RB (Resource Block).
  • FIG. 4 is a block diagram of an AI device according to an embodiment of the present specification.
  • the AI device 20 may include an electronic device including an AI module capable of performing AI processing, or a server including an AI module. Also, the AI apparatus 20 may be included in at least a part of the device 100 shown in FIG. 5 to perform at least a part of AI processing together.
  • AI processing may include all operations related to control of the device 100 illustrated in FIG. 5 .
  • an autonomous vehicle may process sensing data or driver data by AI processing to perform processing/judgment and control signal generation operations.
  • the autonomous driving vehicle may perform autonomous driving control by AI-processing data obtained through interaction 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 in various electronic devices such as a server, a desktop PC, a notebook PC, and a tablet PC.
  • the AI processor 21 may learn the 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 may transmit and receive data according to a connection relationship, respectively, so as to simulate a synaptic activity of a neuron in which a neuron sends and receives a signal through a synapse.
  • the neural network may include a deep learning model developed from a neural network model.
  • a plurality of network nodes may exchange data according to a convolutional connection relationship while being located in different layers.
  • neural network models include deep neural networks (DNN), convolutional deep neural networks (CNN), Recurrent Boltzmann Machine (RNN), Restricted Boltzmann Machine (RBM), deep trust It includes various deep learning techniques such as neural networks (DBN, deep belief networks) and deep Q-networks, and can be applied to fields such as computer vision, speech recognition, natural language processing, and voice/signal processing.
  • the processor performing the above-described function may be a general-purpose processor (eg, CPU), but may be an AI-only processor (eg, GPU) for artificial intelligence learning.
  • a general-purpose processor eg, CPU
  • an AI-only processor eg, GPU
  • the memory 25 may store various programs and data necessary 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 reading/writing/modification/deletion/update of data by the AI processor 21 may be performed.
  • the memory 25 may store a neural network model (eg, deep learning model 26) generated through a learning algorithm for data classification/recognition according to an embodiment of the present specification.
  • the AI processor 21 may include a data learning unit 22 that learns a neural network for data classification/recognition.
  • the data learning unit 22 may learn a criterion regarding which training data to use to determine data classification/recognition and how to classify and recognize data using the training data.
  • the data learning unit 22 may learn the deep learning model by acquiring learning data to be used for learning and applying the acquired learning 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 graphics-only processor (GPU) to the AI device 20 . may be mounted.
  • the data learning unit 22 may be implemented as a software module.
  • the software module When implemented as a software module (or a program module including instructions), the software module may be stored in a computer-readable non-transitory computer readable medium.
  • the at least one software module may be provided by an operating system (OS) or may be provided by an application.
  • OS operating system
  • the data learning unit 22 may include a training data acquiring unit 23 and a model learning unit 24 .
  • the training data acquisition unit 23 may acquire training data required for a neural network model for classifying and recognizing data.
  • the training data acquisition unit 23 may acquire vehicle data and/or sample data to be input to the neural network model as training data.
  • the model learning unit 24 may use the acquired training data to learn so that the neural network model has a criterion for determining how to classify predetermined 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 learn the neural network model through unsupervised learning for discovering a judgment criterion by self-learning using learning data without guidance.
  • the model learning unit 24 may train the neural network model through reinforcement learning using feedback on whether the result of the situation determination according to the learning is correct.
  • the model learning unit 24 may train the neural network model by using a learning algorithm including an error back-propagation method or a gradient decent method.
  • the model learning unit 24 may store the learned neural network model in a memory.
  • the model learning unit 24 may store the learned neural network model in the memory of the server connected to the AI device 20 through a wired or wireless network.
  • the data learning unit 22 further includes a training data preprocessing unit (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 for situation determination.
  • the training data preprocessor may process the acquired data into a preset format so that the model learning unit 24 may use the acquired training data for image recognition learning.
  • the learning data selection unit may select data required for learning from among the learning data acquired by the learning data acquiring unit 23 or the training data preprocessed by the preprocessing unit.
  • the selected training data may be provided to the model learning unit 24 .
  • the learning data selector may select only data about an object included in the specific region as the learning data by detecting a specific region among images acquired through a vehicle camera.
  • the data learning unit 22 may further include a model evaluation unit (not shown) in order to improve the analysis result of the neural network model.
  • the model evaluator 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, may cause the model learning unit 22 to learn again.
  • the evaluation data may be predefined data for evaluating the recognition model.
  • the model evaluator may evaluate as not satisfying a predetermined criterion when, among the analysis results of the learned recognition model for the evaluation data, the number or ratio of evaluation data for which the analysis result is not accurate exceeds a preset threshold. 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 described as functionally divided into the AI processor 21, the memory 25, the communication unit 27, and the like, but the above-described components are integrated into one module and the AI module Note that it may also be called
  • 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 communication.
  • a module 170 may be included.
  • 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, communication processor, or AI processor may be included in different integrated circuit (IC) packages, respectively, or may be included in one IC package.
  • the application processor may control a plurality of hardware or software components connected to the application processor by driving an operating system or an application program, and may 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).
  • the communication processor may perform a function of managing a data link and converting a communication protocol in communication between the electronic device 100 and other electronic devices connected through a network.
  • the communication processor may be implemented as an SoC.
  • the communication processor may perform at least a portion 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 a command or data received from at least one of a non-volatile memory or other components connected thereto to the volatile memory.
  • the application processor or the communication processor may store data received from at least one of the other components or generated by at least one of the other components in the nonvolatile memory.
  • the memory 120 may include an internal memory or an external memory.
  • the built-in memory may include a volatile memory (eg, dynamic RAM (DRAM), static RAM (SRAM), synchronous dynamic RAM (SDRAM), etc.) or a non-volatile memory non-volatile memory (eg, one time programmable ROM (OTPROM)); and 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).
  • External memory is a flash drive, for example, CF (compact flash), SD (secure digital), Micro-SD (micro secure digital), Mini-SD (mini secure digital), xD (extreme digital) or It may further include a memory stick and the like.
  • the output device 130 may include at least one of a display module and a speaker.
  • the output device 130 may display various data including multimedia data, text data, voice data, and the like to the user or output it 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, and 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 response to the user.
  • the digital pen sensor may be implemented using the same or similar method as receiving a user's touch input or 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 using the communication module 170 .
  • 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 may receive a voice signal and convert it into an electrical signal.
  • the input/output interface 150 may transmit a command or data received 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 regarding a user's touch input input by tapping the touch panel to the processor 110 .
  • the input/output interface 150 may output a command or data received from the processor 110 , the memory 120 , the communication module 170 , and the like through the bus through the output device 130 .
  • the input/output interface 150 may output voice data processed through the processor 110 to the user through a speaker.
  • the sensor module 160 includes a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, an RGB (red, green, blue) sensor, a biometric sensor, a temperature/humidity sensor, an illuminance sensor, or UV ( Ultra violet) may include at least one or more of the sensors.
  • the sensor module 160 may measure a physical quantity or sense an operating state of the electronic device 100 to convert the measured or sensed information into an electrical signal.
  • the sensor module 160 may include an olfactory sensor (E-nose sensor), an electromyography sensor (EMG sensor), an electroencephalogram sensor (EEG sensor, not shown), an electrocardiogram sensor (ECG sensor), and a photoplethysmography sensor (PPG sensor). ), a heart rate monitor sensor (HRM), 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 includes 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.) may include
  • the RF module may be responsible for transmitting/receiving data, for example, transmitting/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 electromagnetic waves in 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.
  • a TV TV
  • a refrigerator an oven
  • a clothing styler a robot cleaner
  • a drone an air conditioner
  • an air purifier a PC
  • PC a speaker
  • a home CCTV a lighting, a washing machine, and a smart plug.
  • the electronic device 100 performs an AI-based control operation by receiving the AI processing result from the AI device shown in FIG. 4 , or includes an AI module in which components of the AI device are integrated into one on-device. AI processing can be performed in an (on-device) method.
  • the electronic device 100 applied to various embodiments of the present specification may be a clothing styler.
  • 'clothing styler' may be used interchangeably with 'clothing management device'.
  • a clothing management method using an artificial intelligence-based clothing styler will be described in detail below.
  • FIGS. 6 and 7 are views illustrating an appearance of a clothing styler applied to an embodiment of the present specification.
  • the clothing styler 10 includes a cabinet 220 .
  • the cabinet 220 includes a treatment chamber 225 in which clothes are accommodated, and a treatment for removing wrinkles or deodorizing clothes through steam or air circulation, and the treatment chamber 225 is disposed below the treatment chamber 225 . and a machine room 240 in which a plurality of parts for processing clothes are installed.
  • the cabinet 220 is provided with a partition plate 222 that partitions the processing chamber 225 and the machine room 240 .
  • the processing chamber 225 may be formed on an upper side of the partition plate 222
  • the machine room 240 may be formed on a lower side of the partition plate 222 .
  • the processing chamber 225 may be defined as a space formed by an inner wall of the cabinet 220 .
  • the processing chamber 225 may be defined as a space formed by the upper wall of the cabinet 220 , upper portions of left and right walls, and upper portions of the rear wall.
  • the machine room 240 may be defined as a space formed by the lower wall of the cabinet 220 , the lower part of the left and right walls, and the lower part of the rear wall.
  • a moving hanger 260 on which a clothes hanger can be hung is provided inside the cabinet 220 .
  • the moving hanger 260 may be disposed above the processing chamber 225 .
  • the hanger 260 may be configured to move in multiple directions by a driving device such as a motor.
  • the plurality of directions may include a front-back direction, an up-down direction, and a left-right direction.
  • 'hanger' and 'moving hanger' may be used interchangeably.
  • the clothing styler 10 further includes a discharge unit 250 capable of discharging steam or heated air (warm air) into the processing chamber 225 .
  • the discharge unit 250 may be formed at a portion where the rear wall of the cabinet 220 and the rear portion of the partition plate 222 meet.
  • the clothes styler 10 has an inlet for discharging the air in the processing chamber 225 , in particular, the air humidified after processing the clothes in the processing chamber 225 , or air containing contaminant particles and odor particles toward the machine room 240 .
  • (255) is further included.
  • the inlet 255 may be formed in the front portion of the partition plate 222 .
  • the clothing styler 10 may include a plurality of tanks 280 and 290 disposed in the front portion of the machine room 240 .
  • the plurality of tanks 280 and 290 may include a water supply tank 280 for supplying water to a steam generator (not shown). Water in the water supply tank 280 may be supplied to the steam generator through a water pump (not shown).
  • the steam generator may be provided in the machine room 240 .
  • the plurality of tanks 280 and 290 may further include a drain tank 290 for collecting and storing the condensed water generated in the processing chamber 225 or the condensed water generated by the heat pump (not shown).
  • the condensed water generated by the heat pump may flow to the drain tank 290 through a drain pump (not shown).
  • the heat pump may be provided in the machine room 240 .
  • the water supply tank 280 and the drain tank 290 are exposed under the clothing styler 10 when the door 230 is opened, and may be provided to be detachable by the user. The user may separate the water supply tank 280 to replenish water, and remove the drain tank 290 to discard the water stored in the drain tank 290 .
  • the clothing styler 10 further includes a door 230 capable of opening or closing the processing chamber 225 .
  • the door 230 may be disposed in front of the cabinet 220 and may be rotatably coupled to the cabinet 220 .
  • a trouser wrinkle management device 300 for removing wrinkles of trousers among clothes may be provided on the back side of the door 230 , that is, the inner surface.
  • a trouser hanger 232 is provided on the upper side of the trouser wrinkle management device 300 , on which a clothes hanger 233 for holding trousers can be hung. After the user mounts the pants on the hanger, the user may hang the coat hanger on the pants hanger 232 .
  • the pants can be mounted on the trouser wrinkle management device 300 and fixed flat.
  • steam or warm air is supplied to the trouser wrinkle management device 300 , so that wrinkles of the trousers are removed and wrinkles in a desired direction can be formed.
  • the trouser wrinkle management device 300 includes a press plate 310 coupled to the back surface of the door 230 and a press door 350 coupled to the front of the press plate 310 .
  • the press plate 310 or the press door 350 may be made of a metal or plastic material.
  • the pants PAN hung on the pants hanger 232 may be placed, and the press door 350 may be closed in front of the pants PAN.
  • the pants PAN are pressed between the press plate 310 and the press door 350, and in this process, wrinkles (knife wrinkles) may be formed in the pants PAN. That is, the trousers PAN are mounted on the trouser wrinkle management device 300 to obtain an ironing effect.
  • the press door 350 includes a door body 351 that forms a through portion 353 .
  • the penetrating portion 353 is formed at an approximately central portion of the door body 351 , and steam or warm air existing in the processing chamber 25 through the through portion 353 is provided at the rear of the press door 350 . ) may work.
  • the press door 350 may be rotatably coupled to the door 230 .
  • the press door 350 is provided with a hinge portion 352 coupled to the door 230 .
  • the hinge part 352 may be provided on one side, for example, on the left side of the door body 351 .
  • a plurality of hinge parts 352 may be provided, and the plurality of hinge parts 352 may be arranged to be vertically spaced apart from each other on the left side of the door body 351 .
  • the door body 351 includes latches 355 and 356 coupled to the door 230 .
  • the latches 355 and 356 include a first latch 355 provided on one side of the door body 351 and a second latch 356 provided on the other side of the door body 351 .
  • the first latch 355 may be provided on the left side of the door body 351
  • the second latch 356 may be provided on the right side of the door body 351 .
  • the first latch 355 may be disposed between the plurality of hinge parts 352 in the vertical direction. Also, the height of the first latch 355 may be the same as the height of the second latch 356 .
  • the door 230 includes a first latch coupling part 236 coupled to the first latch 355 and a second latch coupling part 236 coupled to the second latch 356 .
  • the press door 350 may not move while the clothing styler 10 is operated and easily press the pants PAN in the closed state. can do.
  • the trouser wrinkle management device 300 further includes a film 330 disposed between the press plate 310 and the press door 350 to press the trousers PAN.
  • the film 330 may be made of a flexible material.
  • the film 330 has a relatively thin thickness and is configured to have a degree of bending rigidity that is not easily bent by pressure, thereby providing a compressive force to the pants PAN.
  • the film 330 may be made of a plastic material.
  • the film 330 may be made of polycarbonate, polypropylene, or polyethylene terephthalate (PET) material.
  • the thickness of the film 330 is 0.5 to 1.0 mm, and may be formed relatively thin. Since the film 330 is configured to be relatively thin, the user can easily manipulate the film 330 . In addition, it is possible to reduce the occurrence of movement in the direction of generating wrinkles in the pants PAN on which the film 330 is mounted by the pressing force transmitted from the press plate 310 and the press door 350 .
  • the door 230 is provided with a clip 234 for supporting the lower portion of the pants (PAN).
  • the clip 234 is configured to press the front part of the pants PAN in a state in which the pants PAN are mounted, thereby preventing the pants PAN from swinging.
  • the film 330 may be positioned between both side portions of the pants PAN, that is, between the left portion and the right portion into which the legs are inserted.
  • the left portion of the pants PAN may be placed on the front of the press plate 310 and the film 330 may be in close contact with the front of the left portion of the pants PAN.
  • the right part of the pants PAN is positioned in front of the film 330 , and the clip 234 may be fitted in the lower front part of the right part of the pants PAN. That is, the right portion of the pants PAN may be moved to the rear side of the clip 234 and supported by the clip 234 . And, in front of the clip 234, a press door 350 is located, it is possible to press the pants (PAN).
  • the pants PAN can be wrinkled and wrinkled by the trouser wrinkle management device 300 .
  • the clothing styler may include a camera 227 .
  • the camera 227 may be provided in the cabinet 220 or the door 230 to generate image information or images of clothes provided in the cabinet (more specifically, inside the processing chamber 225 ). For example, it may be provided to generate image information by photographing clothes hanging inside the processing chamber 225 .
  • the camera 227 may include an image sensor and an illumination device. The camera may be provided on the upper rear surface of the door 230 . This is because the clothes are hung on the moving hanger 260, so it is preferable to create an image of the clothes from the top to the bottom.
  • FIG. 8 is a block diagram of a clothing styler applied to an embodiment of the present specification.
  • the clothing styler 10 includes a processor 710 , a memory 720 , an output device 730 , an input device 740 , a sensor module 760 , a communication module 770 , and hardware 780 . may include.
  • the processor 710 may store information supporting various functions of the clothing styler 10 in the memory 720 .
  • the memory 720 may store a plurality of application programs or applications driven by the clothing styler 10 , and information and instructions for the operation of the clothing styler 10 . Some of these applications may be downloaded from an external server through wireless communication. Also, the memory 720 may store information about one or more users who want to interact with the clothing processing apparatus. User information may include user identification information through voice recognition, user identification information through vision recognition, user identification information through biometric sensing, user identification information through menu input, and the like. It is not limited.
  • the memory 720 may include a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg, SD or XD memory), and a RAM. (random access memory; RAM), static random access memory (SRAM), read-only memory (ROM), electrically erasable programmable read-only memory (EEPROM), programmable read-only memory (PROM), magnetic memory, magnetic It may include at least one type of storage medium among a disk and an optical disk.
  • the clothing styler 10 may be operated in connection with a web storage that performs a storage function of the memory 720 on the Internet.
  • the output device 730 may include a speaker 731 , a display 732 , and the like, but is not limited thereto.
  • the speaker 731 outputs a notification message such as a warning sound, an operation mode, an operation state, and an error state, information corresponding to a user's voice command, and a processing result corresponding to the user's voice command according to the control of the processor 710 as audio.
  • a notification message such as a warning sound, an operation mode, an operation state, and an error state
  • information corresponding to a user's voice command and a processing result corresponding to the user's voice command according to the control of the processor 710 as audio.
  • the speaker 731 may convert the electrical signal from the processor 710 into an audio signal and output it.
  • the display 732 may display an operating state of the clothing styler 10 under the control of the processor 710 .
  • the display 732 may include a control panel.
  • the control panel includes a power setting unit for setting power on/off, a course setting unit for selecting various preset clothing management courses, a start/stop selection unit for selecting start/stop operation according to the selected clothing management course, or It may include at least one of a status display unit for displaying an operating state of the clothing styler 10 .
  • the display 732 may also perform a function of the input device 740 receiving a predetermined control command so that the user can control the overall operation of the clothing styler 10 .
  • the display 732 may include a touch screen.
  • the display 732 may provide an output interface and an input interface between the clothing styler 10 and the user through a touch screen.
  • the input device 740 may include a microphone 741 , a camera 742 , and the like.
  • the microphone 741 may receive a user's voice uttered toward the clothing styler 10 under the control of the processor 710 .
  • the clothing styler 10 may include a plurality of microphones.
  • each of the plurality of microphones may be disposed to be spaced apart from each other, and may process the received user's utterance voice as an electrical signal.
  • the camera 742 processes an image frame such as a still image or a moving image obtained by an image sensor.
  • the image frame processed by the camera 742 may be stored in the memory 720 or transmitted to an external device through the communication module 770 .
  • At least one camera 742 may be disposed on the clothing styler 10 .
  • an external camera among at least one or more cameras may capture an image outside the clothing styler.
  • an internal camera among at least one or more cameras may be arranged to photograph at least one or more of hardware components such as the processing chamber 225 , the moving hanger 260 , and the inlet 255 .
  • the image acquired through the camera 742 may be used for AI processing including vision recognition.
  • the sensor module 760 includes a dust sensor, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, an RGB (red, green, blue) sensor, a biometric sensor, a temperature/humidity sensor, and an illuminance sensor. Or it may include at least one or more of a UV (ultra violet) sensor.
  • the sensor module 760 may measure a physical quantity or sense an operating state of the electronic device 100 to convert the measured or sensed information into an electrical signal.
  • the sensor module 760 may include an olfactory sensor (E-nose sensor), an electromyography sensor (EMG sensor), an electroencephalogram sensor (EEG sensor, not shown), an electrocardiogram sensor (ECG sensor), and a photoplethysmography sensor (PPG sensor). ), a heart rate monitor sensor (HRM), a perspiration sensor, or a fingerprint sensor.
  • the sensor module 760 may further include a control circuit for controlling at least one or more sensors included therein. Meanwhile, the clothing styler may variously utilize data sensed by at least two of these sensors by combining them.
  • the communication module 770 interworks with a network (eg, 3G, 4G, LTE or 5G network) to provide a communication interface necessary to provide a transmission/reception signal between the clothing styler 10, the user terminal and/or the server in the form of packet data.
  • a network eg, 3G, 4G, LTE or 5G network
  • the communication module 770 may support various types of internet of things (IoT), internet of everything (IoE), internet of small things (IoST), etc., M2M (machine to machine) communication, V2X (vehicle to everything communication) Communication, device to device (D2D) communication, and the like may be supported.
  • IoT internet of things
  • IoE internet of everything
  • IoST internet of small things
  • M2M machine to machine
  • V2X vehicle to everything communication
  • Communication device to device (D2D) communication, and the like may be supported.
  • the hardware 780 may include a heater 781 , a fan 782 , a water pump 783 , a drain pump 784 , a steam generator 785 , etc., depending on the function and use of the clothing styler 10 . Depending on the various above-described components may be omitted, or other components may be further included.
  • the heater 781 may be used to dry clothes together with the fan 782 .
  • the steam generator 785 may generate steam by heating the water through a heater 781 .
  • the water supply tank 280 may be detachably installed in the cabinet 220 . The user may separate the water supply tank 280 and replenish water therein.
  • the drain tank 290 may store the condensed water generated in the processing chamber 225 or the condensed water generated by the heat pump (not shown). Condensate generated in the heat pump may flow to the drain tank 290 through the drain pump 784 . When there is no drain tank 290, a separate drain pump 784 may be included.
  • 9 is an exemplary diagram for explaining single agent reinforcement learning.
  • reinforcement learning is a learning technique composed of three elements: an environment 902 , an action 903 , and a reward 904 .
  • Reinforcement learning has been mainly studied for a single agent.
  • the agent 901 takes a specific action 903, the change of the environment 902 with respect to the action 903 is performed. It is based on the process of receiving a reward 904 by observation. Since the agent 901 can check the result for the selected action 903 according to the size of the reward 904 , it learns the selection criteria of the action 903 to obtain the best result in the provided environment 902 . do.
  • the agent may be used not only in a single agent method based on one agent 901 , but also in a multi-agent method using at least two agents 901 .
  • the agent 901 checks the state 905 and/or the accumulated reward 904 of the environment 902 at regular time intervals until the point of solving a specific problem or a given limit point, and acts accordingly (903) will be performed. Since the result according to the action 903 does not always guarantee a positive reward, the agent 901 obtains a better reward 904 through the process of exploration that experiences a large amount of trial and error. A policy for selecting an expected action 903 is learned.
  • Exploration is a very important element in learning behavioral policies. How efficiently you search determines whether you can find an optimal behavioral policy.
  • the scope of the search is largely determined by the state space and the action space.
  • the state space and the action space can be defined as spaces with discrete or continuous values, respectively, depending on the problem. When either one of the state space and the action space has continuous values, the scope of the search becomes broad and the problem of learning the optimal action policy becomes complicated.
  • Q-Learning-based reinforcement learning may include Deep Q-Network (DQN).
  • DQN Deep Q-Network
  • the Q-Learning method prior to DQN uses a Q-Table composed of Q-values that are expected values for the cumulative reward 904 to be received when a specific action 903 is taken in a given state 905. Behavior with an optimal Q value A way to explore policies.
  • DQN does not create a Q-Table, but uses a method of estimating the Q value for each action using a deep neural network (DNN).
  • DNN deep neural network
  • policy gradient-based reinforcement learning is a method for solving the problem of continuous action space as well as discontinuous action space. Since Q-Learning selects the discontinuous behavior 903 based on the calculated Q value, there is a disadvantage that a large change in the selected behavior 903 may occur even with a small change in the Q value. In order to solve this problem, by defining the selection probability distribution of all actions 903 for a given state 905 as a policy and quantifying the Q-function, which is the performance for the selected policy, the performance change according to the policy change is calculated as a differential. Therefore, a method of finding behavioral policies gradually has been proposed, which is called policy gradient-based reinforcement learning. Research applying deep learning to policy gradient-based reinforcement learning may include, but is not limited to, Deep Deterministic Policy Gradient (DDPG). Meanwhile, in this specification, 'reward' may be used interchangeably with 'reward'.
  • DDPG Deep Deterministic Policy Gradient
  • the styler may learn the reinforcement learning-based artificial neural network model based on an action policy.
  • a behavior is defined as a vibration amplitude and/or a vibration speed of a moving hanger
  • movement information and dust amount of clothing are defined as states
  • compensation is a movement distance, dust amount, and compensation function.
  • the compensation function is as in Equation 1.
  • Reward is the reward value
  • the proportional constant the dust value is the amount of dust
  • the distance is the moving distance. That is, the reward may increase in proportion to the amount of dust or increase in inverse proportion to the moving distance.
  • the clothing styler 10 may perform training of the learning model by calculating the accumulated value of rewards and updating the parameters of the artificial neural network model so that the calculated accumulated value is maximized.
  • the generated learning model may increase the vibration speed of the moving hanger in order to increase the amount of dust generated during the control operation, and may have a parameter that minimizes the moving distance in order to minimize damage to clothes.
  • the clothing styler 10 may implement an optimal control operation by adjusting the vibration speed and the vibration width of the moving hanger using the above-described learning model.
  • FIG. 10 is a flowchart of a method for controlling a clothing styler according to an embodiment of the present specification.
  • the inside of the processing chamber 225 described in FIG. 10 means an inner space of the processing chamber 225 in more detail.
  • the clothing styler 10 may sense dust in the processing chamber 225 through a sensor ( S110 ).
  • the sensor may include a dust sensor.
  • the dust sensor may detect the size or amount of dust in the processing chamber 225 , and may represent the size or amount of the dust as a numerical value.
  • the clothes styler 10 may sense dust separated from clothes while the moving hanger 260 operates in the first moving pattern.
  • the clothing styler 10 may generate an image of the processing chamber 225 through the camera 227 (S120). Specifically, the clothing styler 10 may generate an image of the processing chamber 225 while the moving hanger 260 is operated in the first moving pattern.
  • the moving pattern refers to a pattern moving at a specific vibration speed or amplitude as an operation pattern of the moving hanger 260 .
  • the camera 227 may be positioned on a door or an inner wall of the processing chamber 225 to photograph clothes provided in the processing chamber 225 .
  • the clothing styler 10 may generate movement information of clothing from the image (S130).
  • the clothes may move in parallel to the vibration direction of the moving hanger 260 by the vibration of the moving hanger 260 inside while the clothes styler 10 operates in the first moving pattern.
  • the clothing styler 10 may generate movement information of the clothing by comparing and analyzing at least one frame constituting the image.
  • the movement information may include a movement trajectory of clothing and/or a movement distance of clothing due to vibration of the moving hanger 260 .
  • the movement distance of the clothing may be determined based on the movement trajectory of the clothing, and a detailed description thereof will be described later with reference to FIGS. 11 and 12 .
  • the clothing styler 10 may determine the second moving pattern based on the movement information of the clothing and the amount of dust ( S140 ).
  • the clothing styler 10 may determine the second moving pattern through AI processing. More specifically, the clothing styler 10 determines the second moving pattern by using the learned learning model to generate an output for determining the vibration amplitude or vibration speed of the moving hanger 260 by inputting movement information of clothing and the amount of dust as inputs.
  • the clothing styler 10 may determine at least one of a vibration amplitude or a vibration speed of the moving hanger 260 based on the output of the learning model.
  • the artificial neural network may include an input layer, an output layer, and at least one hidden layer, and the input layer, the output layer, and the at least one hidden layer may include at least one node. Also, some of the at least one node may have different weights to produce a targeted output.
  • the clothing styler 10 may determine at least one of a vibration width or a vibration speed of the moving hanger 260 through AI processing in a client device environment.
  • the clothing styler 10 may transmit movement information and dust amount of clothing to the network through a transceiver, and receive an AI-processed result (ie, information on the second moving pattern) from the network as a response.
  • the AI-processed result may include information in which at least one of the vibration amplitude or the vibration speed of the moving hanger 260 is determined.
  • the clothing styler 10 may control the moving hanger 260 with the second moving pattern (S150).
  • the clothing styler 10 may update the parameters of the learning model based on the behavior policy (S160).
  • the learning model may be an artificial neural network model based on reinforcement learning.
  • the clothing styler 10 may update parameters of the reinforcement learning-based artificial neural network model based on an action policy.
  • the reinforcement learning-based artificial neural network model may define movement information and dust amount of clothing as a state, and define the vibration width or speed of the moving hanger 260 as an action.
  • the clothing styler 10 may calculate a reward based on at least one of movement information of clothing or the amount of dust, and update the parameters of the artificial neural network model so that the accumulated value of the calculated reward is maximized.
  • the reward may increase in proportion to the amount of dust or increase in inverse proportion to the moving distance.
  • the reward may increase in proportion to the amount of dust and inversely in proportion to the moving distance.
  • the clothing styler 10 may determine a second moving pattern having an optimal vibration amplitude or vibration speed by using the learning model with updated parameters, and may control the moving hanger 260 with the determined second moving pattern.
  • the clothing styler 10 may determine an appropriate moving pattern of the moving hanger 260 based on movement information generated according to the material, weight, length, etc. of the clothing and the amount of sensed dust. For example, when the length of the clothing is long or the width is wide, the moving hanger 260 can more efficiently remove dust and wrinkles by controlling the width of the vibration swinging from side to side rather than simply shaking it quickly from side to side. For another example, if the clothes are heavy due to the material of the clothes, damage and aging of the clothes may occur due to the vibration of the moving hanger 260 , so it is necessary to control the vibration at an appropriate speed.
  • the clothing styler 10 reduces unnecessary energy consumption by controlling the moving hanger 260 so that at least one of a vibration amplitude or a vibration speed of the moving hanger 260 is determined according to movement information, thereby reducing energy efficiency. can increase
  • the clothing styler 10 minimizes damage and/or deterioration of clothes due to vibration of the moving hanger 260, but controls the operation of the moving hanger 260 to maximize the effect of removing dust and/or wrinkles.
  • 11 and 12 are diagrams for explaining S130 of FIG. 10 .
  • the movement information of the clothing may include the movement distance of the clothing due to the vibration of the moving hanger 260 .
  • the clothing styler 10 may generate an image based on image information obtained through a camera, divide each frame included in the generated image into a plurality of blocks, and change frequency of display information among the plurality of partitioned blocks. It is possible to determine at least two blocks that are equal to or greater than a preset threshold.
  • the clothing styler 10 may connect the determined at least two blocks with a line in one direction, and determine the movement distance of the clothing from the length of the connected line.
  • a line in one direction is a result of connecting at least two blocks in one direction, and may be expressed as a curved line, a straight line, a bent connecting line, a bent connecting line, or the like.
  • the clothing styler 10 does not identify the overall movement trajectory of the clothing, but divides the image frame into at least one area, and divides the frame of the image into at least one area, based on the dividing boundary line of the at least one area. movement distance can be detected.
  • the clothing styler 10 may generate an image of the clothing 1001 provided in the processing chamber through a camera.
  • the clothing styler 10 may photograph the clothing 1001 fluttering according to the vibrating motion of the moving hanger 260 in the processing chamber through the camera.
  • the clothing styler 10 may analyze at least one frame 1220_1 , 1220_n of a captured image.
  • the clothing styler 10 may generate movement trajectory information by analyzing at least one of the frames 1220_1, , and 1220_n.
  • the clothing styler 10 may partition each of the at least one frame 1220_1 , , and 1220_n into a plurality of blocks 1210 to generate movement trajectory information.
  • the clothing styler 10 monitors the display information changes 1210_1 , t and 1210_n of the plurality of blocks 1210 , and at least two blocks in which the display information change frequency among the plurality of blocks 1210 is equal to or greater than a preset threshold. (1210_s) can be determined.
  • the image may include a first frame to an nth frame (n is a natural number), and the image may be divided into a plurality of blocks 1210 by the processor of the clothing styler 10 .
  • the plurality of blocks 1210 may include a blank block in which the clothing 1001 is not sensed, and the sensing blocks 1210_1 , Z and 1210_n in which the clothing 1001 is sensed.
  • the clothing styler 10 may record the change frequency of the display information of the plurality of blocks 1210 in the memory by monitoring the change of the display information of the sensing blocks 1210_1 , J and 1210_n .
  • the clothing styler 10 may determine a block 1210_s in which the frequency of change of the display information is equal to or greater than a preset threshold among the plurality of blocks 1210 , which will be represented by the target block 1210_s of FIG. 12B .
  • the target block 1210_s refers to a block that is a target for determining a movement trajectory and a movement distance L.
  • the clothing styler 10 determines a reference line DL for measuring the length, and the movement distance of the clothing 1001 from the number of target blocks 1210_s overlapping the reference line DL ( L) can be determined.
  • L the movement distance of the clothing 1001 from the number of target blocks 1210_s overlapping the reference line DL
  • the length information of the target block 1210_s may include horizontal length information and vertical length information 1003 , and when determining the moving distance, the clothing styler 10 is further based on the direction of the reference line DL.
  • the moving distance L of the clothing 1001 may be determined using the length information in the near direction. For example, in the case of FIG. 12 , since the direction of the reference line DL is in the horizontal direction, the clothing styler 10 determines the movement distance L based on the horizontal length information of the target block.
  • the clothing styler 10 divides a movement trajectory according to the movement of the clothing 1001 into two or more regions, and divides the reference line DL into two or more regions based on the reference line DL and the reference line DL for dividing the two or more regions.
  • the movement distance L of the clothing 1001 may be determined.
  • the clothing styler 10 divides the area 1003 in which the target block 1210_s is sensed into a first area 1004 and a second area 1005 , and uses the reference line DL to It is possible to determine the movement distance L of (1001).
  • FIG. 13 is a sequence diagram illustrating a method for controlling a clothing styler according to another exemplary embodiment of the present specification.
  • FIG. 10 has been described on the premise of AI processing in a client device environment, FIG. 13 will be described on the premise of AI processing based on communication with a network.
  • the clothing styler 10 may control a transceiver to transmit the moving distance and dust amount of the clothing to the AI processor included in the network. Also, the clothing styler 10 may control the transceiver to receive AI-processed information from the AI processor.
  • the clothing styler 10 may perform an initial connection procedure with the network in order to transmit the movement distance and the amount of dust of the clothing to the network.
  • the clothing styler 10 may perform an initial access procedure with the network based on a synchronization signal block (SSB).
  • SSB synchronization signal block
  • the clothing styler 10 may transmit the moving distance and dust amount of the clothing to the network through the transceiver.
  • the clothing styler 10 may transmit the moving distance and dust amount of the clothing to the network based on the DCI.
  • the movement distance and the amount of dust of clothing are transmitted to the network through a physical uplink shared channel (PUSCH), and the SSB and the DM-RS of the PUSCH may be QCLed for QCL type D.
  • PUSCH physical uplink shared channel
  • the clothing styler 10 may transmit the movement distance and dust amount of the clothing to the 5G network through the transceiver ( S210 ).
  • the 5G network may include an AI processor or an AI system, and the AI system of the 5G network may perform AI processing based on the received clothing movement distance and dust amount (S220).
  • the AI system may generate the output of the learning model by using the moving distance and the amount of dust received from the clothing styler 10 as inputs (S221).
  • the AI system may generate information about the second moving pattern including at least one of a vibration speed and/or a vibration width based on the output, and transmit it to the clothing styler 10 (S222, S230).
  • the above-described specification can be implemented as computer-readable code on a medium in which a program is recorded.
  • the computer-readable medium includes all kinds of recording devices in which data readable by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc.
  • HDD Hard Disk Drive
  • SSD Solid State Disk
  • SDD Silicon Disk Drive
  • ROM Read Only Memory
  • RAM Compact Disk Drive
  • CD-ROM Compact Disk Read Only Memory
  • magnetic tape floppy disk
  • optical data storage device etc.
  • carrier wave eg, transmission over the Internet

Landscapes

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

Abstract

의류의 움직임에 기반한 무빙행거의 제어방법 및 그 장치가 개시된다. 본 명세서의 일 실시예에 따른 의류 스타일러의 제어방법은, 제1 무빙패턴으로 무빙해거가 동작하는 동안에 수집된 처리챔버 내부의 먼지량 및 의류의 이동정보에 기반하여 제2 무빙패턴을 결정하고, 결정된 제2 무빙패턴으로 무빙행거를 제어할 수 있다. 본 명세서의 제어방법은 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

의류의 움직임에 기반한 무빙행거 제어
본 명세서는 의류의 움직임에 기반한 무빙행거의 제어방법 및 그 장치에 관한 것이다.
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.
한편, 의류 스타일러는 의류의 종류 및/또는 움직임과 무관히 무빙행거를 제어하고, 그로 인해 의류의 손상이 발생하거나 불필요히 큰 전력이 소모된다.
본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 명세서는, 의류의 움직임에 따라 무빙행거의 진동패턴을 제어할 수 하는 의류의 움직임에 기반한 무빙행거의 제어방법 및 그 장치를 구현하는 것을 목적으로 한다.
또한, 본 명세서는, 의류의 손상이 최소화되도록 무빙행거를 제어할 수 있는 의류의 움직임에 기반한 무빙행거의 제어방법 및 그 장치를 구현하는 것을 목적으로 한다.
또한, 본 명세서는, 불필요한 전력 소모가 최소화되도록 무빙행거를 제어할 수 있는 의류의 움직임에 기반한 무빙행거의 제어방법 및 그 장치를 구현하는 것을 목적으로 한다.
본 명세서의 일 양상에 따른 의류 스타일러 제어방법은 제1 무빙패턴으로 무빙행거가 동작하는 동안 센서를 통해 처리챔버 내부의 먼지를 센싱하는 단계; 상기 제1 무빙패턴으로 상기 무빙행거가 동작하는 동안 카메라를 통해 상기 처리챔버 내부에 구비된 의류의 이동정보를 생성하는 단계; 상기 의류의 이동정보와 먼지량에 기초하여 제2 무빙패턴을 결정하는 단계; 및 상기 결정된 제2 무빙패턴으로 상기 무빙행거를 제어하는 단계;를 포함한다.
또한, 상기 이동정보는, 상기 무빙행거의 진동에 의한 상기 의류의 이동거리를 포함할 수 있다.
또한, 상기 제2 무빙패턴은, 상기 이동정보와 상기 먼지량을 입력으로 삼고, 상기 무빙행거의 진동폭 또는 진동속도를 결정하기 위한 출력을 생성하도록 학습된 학습모델을 이용하여 결정될 수 있다.
또한, 상기 학습모델은, 강화학습 기반의 인공신경망 모델로 구현될 수 있다.
또한, 상기 강화학습 기반의 인공신경망 모델은, 상기 의류의 이동정보 및 상기 먼지량이 상태(state)로 정의된 모델일 수 있다.
또한, 상기 강화학습 기반의 인공신경망 모델은, 상기 무빙행거의 진동폭 또는 진동속도가 행동(action)으로 정의된 모델일 수 있다.
또한, 상기 강화학습 기반의 인공신경망 모델은, 상기 의류의 이동정보 또는 상기 먼지량 중 적어도 하나에 기반하여 보상(reward)을 산출하는 모델일 수 있다.
또한, 상기 보상은, 상기 먼지량에 비례하여 증가하도록 계산될 수 있다.
또한, 상기 보상은, 상기 먼지량에 비례하여 증가하되, 상기 이동거리에 반비례하여 증가하도록 계산될 수 있다.
또한, 상기 제2 무빙패턴을 결정하는 단게는, 상기 의류의 이동정보 및 먼지량의 전송을 스케줄링하기 위해 사용되는 DCI(downlink control information)을 네트워크로부터 수신하는 단계;를 더 포함하고, 상기 의류의 이동정보 및 먼지량은, 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
또한, SSB(synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단게를 더 포함하고, 상기 의류의 이동정보 및 먼지량은 PUSCH(physical uplink shared channel)를 통해 상기 네트워크로 전송되고, 상기 SSB와 상기 PUSCH의 DM-RS(dedicated demodulation reference signal)은 QCL(quasi-co loaction) type D에 대해 QCL되어 있을 수 있다.
한편, 본 명세서의 다른 양상에 따른 의류 스타일러는 제1 무빙패턴으로 무빙행거가 동작하는 동안 처리챔버 내부의 먼지를 센싱하는 센서; 상기 제1 무빙패턴으로 상기 무빙행거가 동작하는 동안 상기 처리챔버 내부의 영상을 촬영하는 카메라; 및 상기 영상으로부터 상기 처리챔버 내부에 구비된 의류의 이동정보를 생성하고, 상기 의류의 이동정보와 먼지량에 기초하여 제2 무빙패턴을 결정하고, 상기 결정된 제2 무빙패턴으로 상기 무빙행거를 제어하는 프로세서;를 포함한다.
본 명세서의 일 실시예에 따른 의류의 움직임에 기반한 무빙행거의 제어방법 및 그 장치의 효과에 대해 설명하면 다음과 같다.
본 명세서는 의류의 움직임에 따라 무빙행거의 진동패턴을 제어할 수 있다.
또한, 본 명세서는 의류의 손상이 최소화되도록 무빙행거를 제어할 수 있다.
또한, 본 명세서는 불필요한 전력 소모가 최소화되도록 무빙행거를 제어할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 명세서의 다양한 실시예에 적용되는 AI 장치의 블록도이다.
도 5는 전자 장치의 블록도를 나타내는 도면이다.
도 6 및 도 7은 본 명세서의 다양한 실시예에 적용되는 의류 스타일러의 외관을 나타내는 도면이다.
도 8은 본 명세서의 다양한 실시예에 적용되는 의류 스타일러의 블록도이다.
도 9는 싱글 에이전트 강화학습을 설명하기 위한 예시적인 도면이다.
도 10은 본 명세서의 일 실시예에 따른 의류 스타일러 제어방법의 순서도이다.
도 11 및 도 12는 도 10의 S130을 설명하기 위한 도면이다.
도 13은 본 명세서의 다른 실시예에 따른 의류 스타일러 제어방법을 설명하기 위한 시퀀스도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지는 않는다. 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, 제 1 통신 장치 또는 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 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, UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 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, 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 셀의 SSS를 통해 제공/획득되며, 셀 ID 내 336개 셀들 중 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 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 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 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.
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 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 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, 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, RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 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, RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 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 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, 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, UE는 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, 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 UE에 의해 우선화된다). 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. 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 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 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.
UE는 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, UE는 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 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, 5G 네트워크는 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 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, 5G 네트워크는 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, UE는 UL grant에 기초하여 5G 네트워크로 특정 정보를 전송한다. 그리고, 5G 네트워크는 UE로 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 5G 네트워크는 DL grant에 기초하여 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, UL grant는 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 특정 정보는 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, UE는 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. 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
AI 장치 블록도
도 4는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 도 5에 도시된 디바이스(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
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 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다.
AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 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, 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, 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, 내장 메모리는 SSD(solid state drive)의 형태를 취할 수도 있다. 외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 메모리 스틱(memory stick) 등을 더 포함할 수 있다.
출력 장치(130)는 디스플레이 모듈 또는 스피커 중 적어도 하나 이상을 포함할 수 있다. 출력 장치(130)는 사용자에게 멀티미디어 데이터, 텍스트 데이터, 음성 데이터 등을 포함하는 각종 데이터를 표시하거나 소리로 출력할 수 있다.
입력 장치(140)는 터치 패널(touch panel), 디지털 펜 센서(pen sensor), 키(key), 또는 초음파 입력 장치 등을 포함할 수 있다. 일 례로, 입력 장치(140)는 입출력 인터페이스(150)일 수도 있다. 터치 패널은 정전식, 감압식, 적외선 방식 또는 초음파 방식 중 적어도 하나 이상의 방식으로 터치 입력을 인식할 수 있다. 또한, 터치 패널은 컨트롤러(미도시)를 더 포함할 수도 있다. 정전식의 경우에 직접 터치 뿐만 아니라 근접 인식도 가능하다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함할 수도 있다. 이 경우, 터치 패널은 사용자에게 촉각 반응을 제공할 수 있다.
디지털 펜 센서는 사용자의 터치 입력을 받는 것과 동일 또는 유사한 방법 또는 별도의 인식용 레이어(layer)를 이용하여 구현될 수 있다. 키는 키패드 또는 터치키가 이용될 수 있다. 초음파 입력 장치는 초음파 신호를 발생하는 펜을 통해 단말에서 마이크로 음파를 감지하여 데이터를 확인할 수 있는 장치로서, 무선 인식이 가능하다. 전자 장치(100)는 통신 모듈(170)을 이용하여 이와 연결된 외부 장치(예를 들어, 네트워크, 컴퓨터 또는 서버)로부터 사용자 입력을 수신할 수도 있다.
입력 장치(140)는 카메라 모듈, 마이크로폰을 더 포함할 수 있다. 카메라 모듈은 화상 및 동영상을 촬영할 수 있는 장치로서, 하나 이상의 이미지 센서, ISP(image signal processor) 또는 플래시 LED를 포함할 수 있다. 마이크로폰은 음성 신호를 수신하여 전기 신호로 변환시킬 수 있다.
입출력 인터페이스(150)는 입력장치 또는 출력장치를 통하여 사용자로부터 입려된 명령 또는 데이터를 버스(미도시)를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등에 전달할 수 있다. 일 예로, 입출력 인터페이스(150)는 터치 패널을 톻아여 입력된 사용자의 터치 입력에 대한 데이터를 프로세서(110)로 제공할 수 있다. 일 예로, 입출력 인터페이스(150)는 버스를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등으로부터 수신된 명령 또는 데이터를 출력 장치(130)를 통하여 출력할 수 있다. 일 예로 입출력 인터페이스(150)는 프로세서(110)를 통하여 처리된 음성 데이터를 스피커를 통하여 사용자에게 출력할 수 있다.
센서 모듈(160)은 제스쳐 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, RGB(red, green, blue) 센서, 생체 센서, 온/습도 센서, 조도 센서 또는 UV(ultra violet) 센서 중의 적어도 하나 이상을 포함할 수 있다. 센서 모듈(160)은 물리량을 계측하거나 전자 장치(100)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(160)은, 후각 센서(E-nose sensor), EMG 센서(electromyography sensor), EEG 센서(electroencephalogram sensor, 미도시), ECG 센서(electrocardiogram sensor), PPG 센서 (photoplethysmography sensor), HRM 센서(heart rate monitor sensor), 땀 분비량 측정 센서(perspiration sensor), 또는 지문 센서(fingerprint sensor) 등을 포함할 수 있다. 센서 모듈(160)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어회로를 더 포함할 수 있다.
통신 모듈(170)은 무선 통신 모듈 또는 RF 모듈를 포함할 수 있다. 무선 통신 모듈은, 예를 들면, Wi-Fi, BT, GPS 또는 NFC를 포함할 수 있다. 예를 들면, 무선 통신 모듈은 무선 주파수를 이용하여 무선 통신 기능을 제공할 수 있다. 추가적으로 또는 대체적으로, 무선 통신 모듈은 전자 장치(100)를 네트워크(예: Internet, LAN, WAN, telecommunication network, cellular network, satellite network, POTS 또는 5G network 등)와 연결시키기 위한 네트워크 인터페이스 또는 모뎀 등을 포함할 수 있다.
RF 모듈은 데이터의 송수신, 예를 들면, RF 신호 또는 호출된 전자 신호의 송수신을 담당할 수 있다. 일 례로, RF 모듈는 트랜시버(transceiver), PAM(power amp module), 주파수 필터(frequency filter) 또는 LNA(low noise amplifier) 등을 포함할 수 있다. 또한, RF 모듈은 무선통신에서 자유공간상의 전자파를 송수신하기 위한 부품, 예를 들면, 도체 또는 도선 등을 더 포함할 수 있다.
본 명세서의 다양한 실시예에 따른 전자 장치(100)는 TV, 냉장고, 오븐,　의류 스타일러, 로봇 청소기, 드론, 에어컨, 공기 청정기, PC, 스피커, 홈 CCTV, 조명, 세탁기 및 스마트 플러그 중 적어도 하나를 포함할 수 있다. 도 4에서 설명한 전자 장치(100)의 구성요소는 일반적으로 전자 장치에 구비되는 구성요소를 예시한 것이므로, 본 명세서의 실시예에 따른 전자 장치(100)는 전술한 구성요소에 한정되지 않으며 필요에 따라 생략 및/또는 추가될 수 있다. 전자 장치(100)는 도 4에서 도시한 AI 장치로부터 AI 프로세싱 결과를 수신함으로서 인공 지능 기반의 제어 동작을 수행하거나, AI 장치의 구성요소들이 하나의 모듈로 통합된 AI 모듈을 구비하여 온-디바이스(on-device) 방식으로 AI 프로세싱을 수행할 수 있다.
본 명세서의 다양한 실시예에 적용되는 전자 장치(100)는 의류 스타일러일 수 있다. 본 명세서에서 '의류 스타일러'는 '의류 관리 장치'와 상호 혼용될 수 있다. 이하 명세서에서 인공지능 기반의 의류 스타일러를 이용한 의류 관리 방법에 대하여 구체적으로 후술하도록 한다.
도 6 및 도 7은 본 명세서의 일 실시예에 적용되는 의류 스타일러의 외관을 나타내는 도면이다.
도 6 및 도 7을 참조하면, 본 명세서의 실시예에 따른 의류 스타일러(10)에는 캐비닛(220)이 포함된다.
상기 캐비닛(220)에는, 의류가 수납되어 스팀 또는 공기순환을 통해 의류의 구김을 제거하거나 냄새를 탈취하는 처리등이 수행될 수 있는 처리챔버(225) 및 상기 처리챔버(225)의 하측에 배치되며 의류처리를 위한 다수의 부품이 설치되는 기계실(240)이 포함된다.
상기 캐비닛(220)에는, 상기 처리챔버(225)와 상기 기계실(240)을 구획하는 구획판(222)이 구비된다. 상기 구획판(222)의 상측에는 상기 처리챔버(225)가 형성되며, 상기 구획판(222)의 하측에는 상기 기계실(240)이 형성될 수 있다.
상기 처리챔버(225)는, 상기 캐비닛(220)의 내벽이 이루는 공간으로 정의될 수 있다. 일례로, 상기 처리챔버(225)는 상기 캐비닛(220)의 상부벽, 좌우측 벽의 상부 및 후벽의 상부가 이루는 공간으로 정의될 수 있다. 그리고, 상기 기계실(240)은 상기 캐비닛(220)의 하부벽, 좌우측벽의 하부 및 후벽의 하부가 이루는 공간으로 정의될 수 있다.
상기 캐비닛(220)의 내부에는, 의류를 거치하는 옷걸이가 걸릴 수 있는 무빙 행거(260)가 구비된다. 상기 무빙 행거(260)는 상기 처리챔버(225)의 상부에 배치될 수 있다. 상기 행거(260)는 모터 등의 구동장치에 의하여 다수의 방향으로 움직일 수 있도록 구성될 수 있다. 일례로, 상기 다수의 방향에는, 전후방향, 상하방향 및 좌우방향이 포함될 수 있다. 또한, '행거'와 '무빙 행거'는 상호혼용될 수 있다.
상기 의류 스타일러(10)에는, 상기 처리챔버(225) 내로 스팀 또는 가열된 공기(온풍)를 토출할 수 있는 토출부(250)가 더 포함된다. 일례로, 상기 토출부(250)는 상기 캐비닛(220)의 후벽과 상기 구획판(222)의 후방부가 만나는 부분에 형성될 수 있다.
의류 스타일러(10)에는, 처리챔버(225) 내의 공기, 특히 처리챔버(225) 내에서 의류를 처리한 이후 가습되거나, 오염물 입자 및 냄새 입자를 포함한 공기를 기계실(240)측으로 배출하기 위한 유입부(255)가 더 포함된다. 유입부(255)는 구획판(222)의 전방부에 형성될 수 있다.
의류 스타일러(10)에는, 기계실(240)의 전방부에 배치되는 다수의 탱크(280,290)가 포함될 수 있다. 다수의 탱크(280,290)에는, 스팀 발생기(미도시)에 물을 공급하는 급수탱크(280)가 포함될 수 있다. 급수탱크(280)의 물은 급수펌프(미도시)를 통해 스팀 발생기로 공급될 수 있다. 스팀 발생장치는 기계실(240)에 구비될 수 있다.
다수의 탱크(280,290)에는, 처리챔버(225)에서 생성된 응축수 또는 히트펌프(미도시)에서 생성된 응축수를 모아 저장하는 드레인 탱크(290)가 더 포함될 수 있다. 히트펌프에서 생성된 응축수는 드레인 펌프(미도시)를 통해 드레인 탱크(290)로 유동할 수 있다. 히트펌프는 기계실(240)에 구비될 수 있다.
급수탱크(280) 및 드레인 탱크(290)는, 도어(230)가 개방되었을 때 의류 스타일러(10)의 하부에 노출되며, 사용자가 분리 가능하도록 구비될 수 있다. 사용자는 급수탱크(280)를 분리하여 물을 보충할 수 있고, 드레인 탱크(290)를 분리하여 드레인 탱크(290)에 저장된 물을 버릴 수 있다.
의류 스타일러(10)에는, 처리챔버(225)를 개방 또는 폐쇄할 수 있는 도어(230)가 더 포함된다. 일례로, 도어(230)는 캐비닛(220)의 전방에 배치되며, 캐비닛(220)에 회동 가능하게 결합될 수 있다.
도어(230)의 이면, 즉 내부면에는 의류 중 바지의 주름을 제거하기 위한 바지주름 관리장치(300)가 구비될 수 있다. 바지주름 관리장치(300)의 상측에는, 바지를 거치하는 옷걸이(233)가 걸릴 수 있는 바지 행거(232)가 구비된다. 사용자는 바지를 옷걸이에 거치한 후 옷걸이를 바지 행거(232)에 걸 수 있다.
그리고, 바지를 바지주름 관리장치(300)에 거치하고 편평하게 고정시킬 수 있다. 의류 스타일러(10)가 작동하는 과정에서, 바지주름 관리장치(300)에 스팀 또는 온풍이 공급되어, 바지의 구김이 제거되고 원하는 방향으로의 주름이 잡혀질 수 있다.
바지주름 관리장치(300)에는, 도어(230)의 이면에 결합되는 프레스 플레이트(310) 및 프레스 플레이트(310)의 전방에 결합되는 프레스 도어(350)가 포함된다. 프레스 플레이트(310) 또는 프레스 도어(350)는 금속 또는 플라스틱 소재로 구성될 수 있다.
도 7를 기준으로, 프레스 플레이트(310)의 전방에는, 바지 행거(232)에 걸려진 바지(PAN)가 놓여지고, 바지(PAN)의 전방에는 프레스 도어(350)가 닫혀질 수 있다. 바지(PAN)는 프레스 플레이트(310)와 프레스 도어(350)의 사이에서 가압되며, 이 과정에서 바지(PAN)에는 주름(칼주름)이 형성될 수 있다. 즉, 바지(PAN)는 바지주름 관리장치(300)에 거치되어, 다림질이 되는 효과를 얻을 수 있다.
프레스 도어(350)에는, 관통부(353)를 형성하는 도어 본체(351)가 포함된다. 관통부(353)는 도어 본체(351)의 대략 중앙부에 형성되며, 관통부(353)를 통하여 처리 챔버(25)에 존재하는 스팀 또는 온풍은 프레스 도어(350)의 후방에 거치된 바지(PAN)에 작용될 수 있다.
프레스 도어(350)는 도어(230)에 회동 가능하게 결합될 수 있다. 상세히, 프레스 도어(350)에는, 도어(230)에 결합되는 힌지부(352)가 구비된다. 힌지부(352)는 도어 본체(351)의 일측부, 일례로 좌측부에 구비될 수 있다. 그리고, 힌지부(352)는 복수 개가 구비되며, 복수 개의 힌지부(352)는 도어 본체(351)의 좌측부에 상하 방향으로 이격되어 배열될 수 있다.
도어 본체(351)에는, 도어(230)에 결합되는 래치(355, 356)이 포함된다. 래치(355, 356)에는, 도어 본체(351)의 일측부에 구비되는 제1 래치(355) 및 도어 본체(351)의 타측부에 구비되는 제2 래치(356)가 포함된다. 일례로, 제1 래치(355)는 도어 본체(351)의 좌측부에, 제2 래치(356)는 도어 본체(351)의 우측부에 구비될 수 있다.
제1 래치(355)는, 상하 방향을 기준으로 복수 개의 힌지부(352)의 사이에 배치될 수 있다. 그리고, 제1 래치(355)의 높이는 제2 래치(356)의 높이와 동일할 수 있다.
도어(230)에는, 제1 래치(355)에 결합되는 제 1 래치결합부(236) 및 제 2 래치(356)에 결합되는 제2 래치결합부(236)가 포함된다. 래치(355, 356)가 래치결합부(235,236)에 결합됨으로써, 프레스 도어(350)는 의류 스타일러(10)가 작동되는 과정에서 움직이지 않을 수 있고, 닫힌 상태에서 바지(PAN)를 용이하게 가압할 수 있다.
바지 주름관리 장치(300)에는, 프레스 플레이트(310)와 프레스 도어(350)의 사이에 배치되어 바지(PAN)를 눌러주는 필름(330)이 더 포함된다. 필름(330)은 플렉서블한 소재로 구성될 수 있다.
다만, 필름(330)은 상대적으로 얇은 두께를 가지면서 압력에 의하여 쉽게 휘어지지 않을 정도의 굽힘 강성을 가지도록 구성되어, 바지(PAN)에 압착력을 제공할 수 있다.
상세히, 필름(330)은 플라스틱 소재로 구성될 수 있다. 일례로, 필름(330)은 폴리 카보네이트(polycarbonates), 폴리 프로필렌(polypropylene) 또는 폴리에틸렌 테레프탈레이트(plolyethylene terephthalate, PET) 소재로 구성될 수 있다.
필름(330)의 두께는 0.5~1.0mm로, 상대적으로 얇게 형성될 수 있다. 필름(330)이 상대적으로 얇게 구성됨으로써, 사용자가 필름(330)을 손쉽게 조작할 수 있다. 그리고, 프레스 플레이트(310)와 프레스 도어(350)로부터 전해지는 가압력에 의하여, 필름(330)이 거치된 바지(PAN)에 구김을 발생시키는 방향으로의 움직임이 발생되는 것을 줄일 수 있다.
도어(230)에는, 바지(PAN)의 하부를 지지하는 클립(234)이 구비된다. 클립(234)은, 바지(PAN)가 거치된 상태에서 바지(PAN)의 전방부를 누를 수 있도록 구성되며, 이에 의하여 바지(PAN)가 요동되는 것을 방지할 수 있다.
필름(330)은 바지(PAN)의 양측 부분, 즉 다리가 삽입되는 좌측 부분과 우측 부분의 사이에 위치될 수 있다. 일례로, 도 7를 기준으로, 바지(PAN)의 좌측 부분은 프레스 플레이트(310)의 전면에 놓여지고 필름(330)은 바지(PAN)의 좌측 부분 전방에 밀착될 수 있다.
그리고, 필름(330)의 전방에는 바지(PAN)의 우측 부분이 위치되며, 바지(PAN)의 우측 부분 전방 하부에는 클립(234)이 끼워질 수 있다. 즉, 바지(PAN)의 우측 부분은 클립(234)의 후측으로 이동되어 클립(234)에 의하여 지지될 수 있다. 그리고, 클립(234)의 전방에는, 프레스 도어(350)가 위치되어, 바지(PAN)를 가압할 수 있다.
이러한 배치에 의하여, 바지(PAN)는 바지 주름관리 장치(300)에 의하여, 칼주름이 생성되고 구김이 제거될 수 있다.
한편, 본 명세서의 일 실시에에 따른 의류 스타일러는 카메라(227)을 포함할 수 있다. 카메라(227)는 캐비닛(220) 또는 도어(230)에 구비되어 캐비닛 내부(보다 구체적으로는, 처리챔버(225) 내부)에 구비되는 의류의 이미지 정보 또는 영상을 생성하도록 구비될 수 있다. 일 례로, 처리챔버(225) 내부에 걸려있는 의류를 촬영하여 이미지 정보를 생성하도록 구비될 수 있다. 카메라(227)는 이미지 센서 및 조명장치를 포함할 수 있다. 카메라는 도어(230)의 배면 상부에 구비될 수 있다. 이는 의류가 무빙행거(260)에 걸려있으므로 상부에서 하부를 향해 의류의 이미지를 생성하는 것이 바람직하기 때문이다.
도 8은 본 명세서의 일 실시예에 적용되는 의류 스타일러의 블록도이다.
도 8을 참조하면 의류 스타일러(10)는 프로세서(710), 메모리(720), 출력 장치(730), 입력 장치(740), 센서 모듈(760), 통신 모듈(770) 및 하드 웨어(780)를 포함할 수 있다.
프로세서(710)는 의류 스타일러(10)의 다양한 기능을 지원하는 정보를 메모리(720)에 저장할 수 있다. 메모리(720)는 의류 스타일러(10)에서 구동되는 다수의 응용 프로그램(application program) 또는 어플리캐이션(application), 의류 스타일러(10)의 동작을 위한 정보 및 명령어(instruction)를 저장할 수 있다. 이러한 어플리케이션 중 일부는 무선 통신을 통해 외부 서버로부터 다운로드될 수 있다. 또한, 메모리(720)는 의류 처리 장치와 인터랙션(interaction)을 수행하려는 한 명 이상의 사용자 정보를 저장할 수 있다. 사용자 정보는 음성 인식(voice recognition)을 통한 사용자 식별 정보, 비전 인식(vision recognition)을 통한 사용자 식별 정보, 생체 센싱을 통한 사용자 식별 정보, 메뉴 입력을 통한 사용자 식별 정보 등을 포함할 수 있으며, 이에 한정되는 것은 아니다.
메모리(720)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 의류 스타일러(10)는 인터넷(internet)상에서 상기 메모리(720)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작될 수도 있다.
출력 장치(730)는 스피커(speaker, 731), 디스플레이(display, 732) 등을 포함할 수 있으나, 이에 한정되지 않는다.
스피커(731)는 프로세서(710)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지와, 사용자의 음성 명령에 대응하는 정보, 사용자의 음성 명령에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 스피커(731)는 프로세서(710)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다.
디스플레이(732)는 프로세서(710)의 제어에 따라 의류 스타일러(10)의 작동 상태를 표시할 수 있다. 디스플레이(732)는 컨트롤 패널을 포함할 수 있다. 컨트롤 패널은 전원의 온/오프를 설정하는 전원 설정부, 미리 설정된 각종 의류 관리 코스들을 선택할 수 있는 코스 설정부, 선택된 의류 관리 코스에 따라 동작을 실시/정지를 선택할 수 있는 실시/정지 선택부 또는 의류 스타일러(10)의 작동 상태를 표시하는 상태 표시부 중 적어도 하나 이상을 포함할 수 있다.
디스플레이(732)는 각종 정보를 표시하는 기능 이외에 의류 스타일러(10)의 동작 전반을 사용자가 제어할 수 있도록, 소정의 제어 명령을 입력 받는 입력 장치(740)의 기능도 수행할 수 있다. 이를 위해 디스플레이(732)는 터치 스크린을 포함할 수 있다. 일 예로, 디스플레이(732)는 터치 스크린을 통해 의류 스타일러(10)와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다.
입력 장치(740)는 마이크로폰(741), 카메라(742) 등을 포함할 수 있다.
마이크로폰(741)은 프로세서(710)의 제어 하에, 의류 스타일러(10)를 향하여 발화된 사용자 음성을 입력 받을 수 있다. 또한 사용자의 발화 음성을 더 정확하게 수신하기 위해 의류 스타일러(10)는 복수의 마이크를 구비할 수 있다. 여기서, 복수의 마이크 각각은 서로 다른 위치에 이격되어 배치될 수 있고, 수신한 사용자의 발화 음성을 전기적인 신호로 처리할 수 있다.
카메라(742)는 이미지 센서에 의해 획득되는 정지 영상 또는 동영상 등의 화상 프레임을 처리한다. 카메라(742)에서 처리된 화상 프레임은 메모리(720)에 저장되거나 통신 모듈(770)을 통하여 외부 기기로 전송될 수 있다. 카메라(742)는 의류 스타일러(10)에 적어도 하나 이상 배치될 수 있다. 일 례로, 적어도 하나 이상의 카메라 중 외부 카메라는 의류 스타일러 외부의 영상을 촬영할 수 있다. 일 례로, 적어도 하나 이상의 카메라 중 내부 카메라는 처리챔버(225), 무빙 행거(260), 유입부(255)와 같은 하드 웨어 구성요소들 중 적어도 하나 이상을 촬영하도록 배치될 수 있다. 이처럼 카메라(742)를 통해 획득된 이미지는 비전 인식(vision recognition)을 포함하는 AI 프로세싱에 이용될 수 있다.
센서 모듈(760)은 먼지 센서, 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(760)은 물리량을 계측하거나 전자 장치(100)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(760)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(760)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어회로를 더 포함할 수 있다. 한편, 의류 스타일러는 이러한 센서들 중 적어도 둘의 센서에서 센싱되는 데이터들을 조합하여 다양하게 활용할 수 있다.
통신 모듈(770)은 네트워크(예를 들어, 3G, 4G, LTE 또는 5G 네트워크)와 연동하여 의류 스타일러(10), 사용자 단말 및/또는 서버 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신 모듈(770)은 각종 IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등을 지원할 수 있으며, M2M(machine tomachine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
하드 웨어(780)는 히터(781), 팬(782), 급수 펌프(783), 배수 펌프(784), 스팀 발생기(785) 등을 포함할 수 있으며, 의류 스타일러(10)의 기능과 용도에 따라 다양한 전술한 구성요소는 생략되거나, 다른 구성요소가 더 포함될 수 있다.
일 례로, 히터(781)는 팬(782)과 함께 의류의 건조에 이용될 수 있다. 일 례로, 급수 탱크(280)의 물이 스팀 발생기(785)로 공급되면, 스팀 발생기(785)는 히터(781)를 통해 물을 가열함으로써 스팀을 생성할 수 있다. 물 보충이 용이하도록 급수탱크(280)는 캐비닛(220)에 분리가능하게 설치될 수 있다. 사용자는 급수탱크(280)를 분리하여 그 안에 물을 보충할 수 있다. 드레인 탱크(290)는 처리챔버(225)에서 생성된 응축수 또는 히트펌프(미도시)에서 생성된 응축수를 저장할 수 있다. 히트펌프에서 생성된 응축수는 드레인 펌프(784)를 통해 드레인 탱크(290)로 유동할 수 있다. 드레인 탱크(290)가 없는 경우에는 별도의 드레인 펌프(784)를 포함할 수도 있다.
이하 명세서에서 의류 스타일러의 처리챔버 내부에 구비된 의류의 먼지를 의류의 손상을 고려하여 효과적으로 제거하기 위한 의류 스타일러 제어방법을 설명하도록 한다. 한편, 본 명세서의 일 실시예에 이용되는 학습모델은 강화학습 기법으로 갱신될 수 있으므로 도 9에서 강화학습을 간략히 설명한다.
도 9는 싱글 에이전트 강화학습을 설명하기 위한 예시적인 도면이다.
도 9를 참조하면, 강화학습은 환경(environment, 902), 행동(action, 903), 보상(reward, 904)라는 3가지 요소로 구성되는 학습 기법이다. 강화학습은 주로 싱글 에이전트(single agent)를 대상으로 많은 연구가 이루어져 왔으며, 강화학습은 에이전트(901)가 특정한 행동(903)을 취하면, 상기 행동(903)에 대한 환경(902)의 변화를 관측(observation)하여 보상(904)을 받는 과정을 기본으로 한다. 에이전트(agent, 901)는 보상(904)의 크기에 따라 선택한 행동(903)에 대한 결과를 확인할 수 있으므로, 제공된 환경(902)에서 최선의 결과를 얻기 위한 행동(903)의 선택기준을 학습하게 된다. 이때, 강화학습에서 이에전트는 하나의 에이전트(901)에 기반한 싱글 에이전트 방식뿐만 아니라, 적어도 둘의 에이전트(901)를 이용하는 멀티 에이전트(multi agent) 방식으로도 이용될 수 있다.
강화학습에서 에이전트(901)는 특정 문제를 해결하는 시점 또는 주어진 한계시점까지 일정한 시간 간격으로 환경(902)의 상태(state, 905) 및/또는 누적된 보상(904)을 확인하고, 그에 따른 행동(903)을 수행하게 된다. 행동(903)에 따른 결과가 항상 좋은 보상(positive reward)를 보장하는 것이 아니므로, 에이전트(901)는 많은 양의 시행착오를 경험하는 탐색(exploration)의 과정을 통해 보다 좋은 보상(904)을 기대할 수 있는 행동(903)을 선택하기 위한 정책(policy)를 학습하게 된다.
행동 정책을 학습함에 있어서 탐색이란 매우 중요한 요소이다. 탐색을 얼마나 효율적으로 하느냐에 따라 최적의 행동 정책을 찾을 수 있는지 여부가 결정된다. 탐색의 범위는 크게 상태 공간(state space)와 행동 공간(action space)에 의해 결정된다. 상태 공간과 행동 공간은 문제에 따라 각각 불연속 또는 연속된 값을 갖는 공간으로 정의될 수 있다. 상태 공간과 행동 공간 둘 중 하나라도 연속된 값을 갖는 경우에 탐색의 범위는 광범위해지고 최적의 행동 정책을 학습하는 문제가 복잡해진다.
강화학습과 관련된 연구는 Q-Learning 기반의 강화학습, 정책경사 기반의 강화학습 등을 포함할 수 있으나, 본 명세서는 이에 한정되지 않는다. 일 예로, Q-Learning 기반의 강화학습은 Deep Q-Network(DQN)을 포함할 수 있다. DQN 이전의 Q-Learning 방식은 주어진 상태(905)에서 특정 행동(903)을 취할 경우에 받을 누적 보상(904)에 대한 기댓값인 Q값으로 구성된 Q-Table을 이용하여 최적의 Q값을 갖는 행동 정책을 탐색하는 방식이다. DQN은 Q-Table을 작성하지 않고, 심층신경망(Deep Neural, Network, DNN)을 이용하여 각 행동들에 대한 Q값을 추정하는 방법을 사용한다.
다른 례로, 정책경사(policy gradient) 기반의 강화학습은 불연속적인 행동 공간뿐만 아니라, 연속적인 행동 공간문제를 해결하기위한 방법이다. Q-Learning은 계산된 Q값에 기반하여 불연속한 행동(903)을 선택하므로 Q값의 작은 변화에도 선택하는 행동(903)의 변화가 크게 발생할 수 있다는 단점이 있다. 이를 해결하기 위하여 주어진 상태(905)에 대한 모든 행동(903)의 선택 확률분포를 정책으로 정의하고 상기 선택된 정책에 대한 성능인 Q-함수를 수치화함으로써, 정책의 변화에 따른 성능 변화를 미분으로 계산하여 점진적으로 행동 정책을 찾는 방식이 제안되었고, 이를 정책경사 기반의 강화학습이라고 한다. 정책경사 기반의 강화학습에 심층학습을 적용한 연구는 Deep Deterministic Policy Gradient(DDPG)를 포함할 수 있으나, 이에 한정되는 것은 아니다. 한편, 본 명세서에서 '보상'은 '리워드'와 상호혼용될 수 있다.
본 명세서의 일 실시예에 따른 강화학습 기반의 학습모델 생성방법에서 스타일러는 행동 정책(action policy)에 기반하여 강화학습 기반의 인공신경망 모델을 학습할 수 있다.
본 명세서의 일 실시예에 따른 강화학습 방법에서 행동은 무빙행거의 진동폭 및/또는 진동속도로 정의되고, 의류의 이동정보 및 먼지량은 상태로 정의되며, 보상은 이동거리, 먼지량, 및 보상함수를 통해 산출될 수 있다.
보상함수는 수학식 1과 같다.
Figure PCTKR2020006994-appb-M000001
여기서, Reward는 보상값,
Figure PCTKR2020006994-appb-I000001
는 비례상수, dust value는 먼지량, distance는 이동거리를 지칭한다. 즉, 리워드는 먼지량에 비례하여 증가하거나 이동거리에 반비례하여 증가할 수 있다. 의류 스타일러(10)는 리워드의 누적값을 산출하고, 산출된 누적값이 최대화되도록 인공신경망 모델의 파라미터를 갱신함으로써 학습모델의 훈련을 수행할 수 있다.
이처럼 생성된 학습모델은 제어동작 중에 발생하는 먼지량을 증가시키기 위하여 무빙행거의 진동속도를 증가시킬 수 있으며, 그에 따른 의류의 손상을 최소화하기 위하여 이동거리를 최소화하는 파라미터를 가질 수 있다. 의류 스타일러(10)는, 전술한 학습모델을 이용하여 무빙행거의 진동속도 및 진동폭을 조절함으로써 최적의 제어동작을 구현할 수 있다.
도 10은 본 명세서의 일 실시예에 따른 의류 스타일러 제어방법의 순서도이다. 한편, 도 10에서 설명하는 처리챔버(225) 내부는, 보다 구체적으로 처리챔버(225)의 내부공간을 의미한다.
도 10을 참조하면, 의류 스타일러(10)는 센서를 통해 처리챔버(225)의 먼지를 센싱할 수 있다(S110). 여기서 센서는 먼지센서를 포함할 수 있다. 먼지센서는 처리챔버(225)의 먼지의 크기 또는 양을 감지할 수 있으며, 상기 먼지의 크기 또는 양을 수치로 나타낼 수 있다. 의류 스타일러(10)는 무빙행거(260)가 제1 무빙패턴으로 동작하는 동안 의류로부터 분리되는 먼지를 센싱할 수 있다.
의류 스타일러(10)는 카메라(227)를 통해 상기 처리챔버(225)의 영상을 생성할 수 있다(S120). 구체적으로, 의류 스타일러(10)는 제1 무빙패턴으로 무빙행거(260)가 동작하는 동안 처리챔버(225)의 영상을 생성할 수 있다. 무빙패턴은 무빙행거(260)의 동작패턴으로서 특정한 진동속도 또는 진동폭으로 움직이는 패턴을 지칭한다. 카메라(227)는 도어 또는 처리챔버(225) 내벽에 위치하여 처리챔버(225)에 구비된 의류를 촬영할 수 있다.
의류 스타일러(10)는 영상으로부터 의류의 이동정보를 생성할 수 있다(S130). 의류는 의류 스타일러(10)가 제1 무빙패턴으로 동작하는 동안 내부에서의 무빙행거(260)의 진동에 의하여 무빙행거(260)의 진동방향과 평행하게 움직일 수 있다. 이때, 의류 스타일러(10)는 영상을 구성하는 적어도 하나의 프레임을 비교 및 분석하여 의류의 이동정보를 생성할 수 있다. 이동정보는 무빙행거(260)의 진동에 의한 의류의 이동궤적 및/또는 의류의 이동거리를 포함할 수 있다. 이때, 의류의 이동거리는 의류의 이동궤적에 기반하여 결정될 수 있으며, 이에 관한 구체적인 설명은 도 11 및 12 에서 후술하도록 한다.
의류 스타일러(10)는 의류의 이동정보와 먼지량에 기반하여 제2 무빙패턴을 결정할 수 있다(S140). 의류 스타일러(10)는 AI 프로세싱을 통해 제2 무빙패턴을 결정할 수 있다. 보다 구체적으로, 의류 스타일러(10)는 의류의 이동 정보와 먼지량을 입력으로 무빙행거(260)의 진동폭 또는 진동속도를 결정하기 위한 출력을 생성하도록 학습된 학습모델을 이용하여 제2 무빙패턴을 결정할 수 있다. 의류 스타일러(10)는 학습모델의 출력에 기반하여 무빙행거(260)의 진동폭 또는 진동속도 중 적어도 하나를 결정할 수 있다. 참고로, 인공신경망은 입력층, 출력층 및 적어도 하나의 은닉층을 포함하며, 상기 입력층, 출력층, 및 적어도 하나의 은닉층은 적어도 하나의 노드를 포함할 수 있다. 또한, 적어도 하나의 노드 중 일부는 타겟으로하는 출력을 생성하기 위하여 서로 다른 가중치를 가질 수 있다.
무빙패턴의 결정방법에 관하여, 일 예로, 의류 스타일러(10)는 클라이언트 디바이스 환경에서의 AI 프로세싱을 통해 무빙행거(260)의 진동폭 또는 진동속도 중 적어도 하나를 결정할 수 있다.
다른 예로, 의류 스타일러(10)는 트랜시버를 통해 의류의 이동정보와 먼지량을 네트워크로 전송하고, 네트워크로부터 AI 프로세싱된 결과(즉, 제2 무빙패턴에 관한 정보)를 응답으로 수신할 수 있다. AI 프로세싱된 결과는 무빙행거(260)의 진동폭 또는 진동속도 중 적어도 하나가 결정된 정보를 포함할 수 있다. 구체적인 설명은 도 14에서 후술하도록 한다.
의류 스타일러(10)는 제2 무빙패턴으로 무빙행거(260)를 제어할 수 있다(S150).
의류 스타일러(10)는 행동 정책에 기반하여 학습모델의 파라미터를 갱신할 수 있다(S160). 여기서 학습모델은 강화학습 기반의 인공신경망 모델일 수 있다. 학습모델이 강화학습 기반의 인공신경망 모델인 경우, 의류 스타일러(10)는 행동 정책(action policy)에 기반하여 강화학습 기반의 인공신경망 모델의 파라미터를 갱신할 수 있다. 여기서, 강화학습 기반의 인공신경망 모델은 의류의 이동정보 및 먼지량을 상태(state)로 정의하고, 무빙행거(260)의 진동폭 또는 진동속도를 행동(action)으로 정의할 수 있다.
의류 스타일러(10)는 의류의 이동정보 또는 먼지량 중 적어도 하나에 기반하여 리워드(reward)를 산출하고, 산출된 리워드의 누적값이 최대화되도록 인공신경망 모델의 파라미터를 갱신할 수 있다. 여기서, 리워드는 먼지량에 비례하여 증가하거나 이동거리에 반비례하여 증가할 수 있다. 또한, 리워드는 먼지량이 비례하여 증가 및 이동거리에 반비례하여 증가할 수도 있다.
의류 스타일러(10)는 파라미터가 갱신된 학습모델을 이용하여 최적의 진동폭 또는 진동속도를 갖는 제2 무빙패턴을 결정하고, 결정된 제2 무빙패턴으로 무빙행거(260)를 제어할 수 있다.
이처럼, 의류 스타일러(10)는 의류의 재질, 무게, 길이 등에 따라 생성되는 이동정보와 센싱되는 먼지의 양에 기반하여 무빙행거(260)의 적절한 무빙패턴을 결정할 수 있다. 예를 들어, 의류의 길이가 길거나 폭이 넓으면, 무빙행거(260)는 단순히 좌우로 빠르게 흔들기보다는 좌우로 흔들리는 진동폭을 넓게 제어함으로써 보다 효율적으로 먼지 및 주름을 제거할 수 있다. 다른 예를 들어, 의류의 재질에 의해 의류가 무거우면, 무빙행거(260)의 진동에 의한 옷의 손상 및 노후화가 발생할 수 있으므로 적절한 속도로 진동을 조절할 필요가 있다.
본 명세서의 일 실시예에 따른 의류 스타일러(10)는 이동정보에 따라 무빙행거(260)의 진동폭 또는 진동속도 중 적어도 하나가 결정되도록 무빙행거(260)를 제어함으로써 불필요한 에너지 소모를 감소하여 에너지 효율을 증가시킬 수 있다.
또한, 의류 스타일러(10)는 무빙행거(260)의 진동으로 인한 옷의 손상 및/또는 노후화를 최소화하되, 먼지 및/또는 주름을 제거하는 효과가 최대화되도록 무빙행거(260)의 동작을 제어할 수 있다.
도 11 및 도 12는 도 10의 S130을 설명하기 위한 도면이다.
전술한 바와 같이, 의류의 이동정보는 무빙행거(260)의 진동에 의한 의류의 이동거리를 포함할 수 있다. 의류 스타일러(10)는 카메라를 통해 획득한 이미지 정보를 통해 영상을 생성할 수 있으며, 생성된 영상에 포함된 각각의 프레임을 복수의 블록으로 구획화하고, 구획화된 복수의 블록 중 표시정보의 변화빈도가 기 설정된 임계치 이상인 적어도 둘의 블록을 결정할 수 있다.
의류 스타일러(10)는 결정된 적어도 둘의 블록을 일방향의 선으로 연결하고, 연결된 선의 길이로부터 의류의 이동거리을 결정할 수 있다. 일 례로, 일방향의 선은 적어도 둘의 블록을 일방향으로 연결한 결과로서 곡선, 직선, 꺾인 연결선, 구부러진 연결선 등으로 나타낼 수 있다.
한편, 본 명세서의 일 실시예에 따른 의류 스타일러(10)는 의류의 전체적인 이동궤적을 식별하지 않고, 영상의 프레임을 적어도 하나의 영역으로 구분하고, 상기 적어도 하나의 영역의 구분 경계선을 기준으로 의류의 이동거리를 감지할 수 있다.
도 11을 참조하면, 의류 스타일러(10)는 카메라를 통해 처리챔버에 구비된 의류(1001)의 영상을 생성할 수 있다. 의류 스타일러(10)는 카메라를 통해 처리챔버에서 무빙행거(260)의 진동동작에 따라 펄럭이는 의류(1001)를 촬영할 수 있다.
도 12를 참조하면, 의류 스타일러(10)는 촬영된 영상의 적어도 하나의 프레임(1220_1,쪋,1220_n)을 분석할 수 있다. 의류 스타일러(10)는 적어도 하나의 프레임(1220_1,쪋,1220_n)을 분석하여 이동궤적 정보를 생성할 수 있다. 의류 스타일러(10)는 이동궤적 정보를 생성하기 위하여 적어도 하나의 프레임(1220_1,쪋,1220_n) 각각을 복수의 블록(1210)으로 구획화할 수 있다. 이때, 의류 스타일러(10)는 복수의 블록(1210)의 표시정보 변화(1210_1, 쪋, 1210_n)를 모니터링하고, 복수의 블록(1210) 중 표시정보의 변화빈도가 기 설정된 임계치 이상인 적어도 둘의 블록(1210_s)을 결정할 수 있다.
일 예로, 영상은 제1 프레임 내지 제n 프레임(n은 자연수)을 포함할 수 있고, 영상은 의류 스타일러(10)의 프로세서에 의하여 복수의 블록(1210)으로 구획될 수 있다. 이때, 복수의 블록(1210)은 의류(1001)가 감지되지 않는 블랭크 블록과 의류(1001)가 감지되는 센싱 블록(1210_1, 쪋, 1210_n)으로 구성될 수 있다. 의류 스타일러(10)는 센싱 블록(1210_1, 쪋, 1210_n)의 표시정보의 변화를 모니터링함으로써, 복수의 블록(1210)의 표시정보의 변화빈도를 메모리에 기록할 수 있다. 그 결과, 의류 스타일러(10)는 복수의 블록(1210) 중 표시정보의 변화빈도가 기 설정된 임계치 이상인 블록(1210_s)을 결정할 수 있으며, 이는 도 12의 (b)의 타겟 블록(1210_s)으로 나타낼 수 있다. 여기서, 타겟 블록(1210_s)은 이동궤적 및 이동거리(L)를 판단하기 위한 대상이되는 블록을 지칭한다.
의류 스타일러(10)는 타겟 블록(1210_s)이 결정되면 길이의 측정을 위한 기준선(DL)을 결정하고, 기준선(DL)과 오버랩되는 타겟 블록(1210_s)의 개수로부터 의류(1001)의 이동거리(L)를 결정할 수 있다. 일 예로, 도 12에서 기준선(DL)과 오버랩되는 타겟 블록(1210_s)은 3개이며, 미리 정해진 블록의 길이 정보에 따라 타겟 블록 3개의 길이에 대응하는 L로 의류(1001)의 이동거리가 결정된다.
이때, 타겟 블록(1210_s)의 길이 정보는 가로길이 정보 및 세로길이 정보(1003)를 포함할 수 있으며, 이동거리를 판단하는 경우에 의류 스타일러(10)는 기준선(DL)의 방향을 기준으로 더 가까운 방향의 길이 정보를 이용하여 의류(1001)의 이동거리(L)를 결정할 수 있다. 일 예로, 도 12의 경우, 의류 스타일러(10)는 기준선(DL)의 방향이 가로방향이므로 타겟 블록의 가로길이 정보를 기준으로 이동거리(L)를 결정한다.
본 명세서의 일 실시예에 따른 의류 스타일러(10)는 의류(1001)의 움직임에 따른 이동궤적을 2 이상의 영역으로 분할하고, 2 이상의 영역을 분할하는 기준선(DL)을 기준으로 기준선(DL)과 오버랩되는 타겟 블록(1210_s)을 감지함으로써 의류(1001)의 이동거리(L)를 판단할 수 있다. 일 예로, 도 12에서 의류 스타일러(10)는 타겟 블록(1210_s)이 감지된 영역(1003)을 제1 영역(1004) 및 제2 영역(1005)으로 분할하고, 기준선(DL)을 이용하여 의류(1001)의 이동거리 L을 판단할 수 있다.
도 13은 본 명세서의 다른 실시예에 따른 의류 스타일러 제어방법을 설명하기 위한 시퀀스도이다. 도 10은 클라이언트 디바이스 환경에서의 AI 프로세싱을 전제로 설명하였으나, 도 13은 네트워크와의 통신에 기초한 AI 프로세싱을 전제로 설명하도록 한다.
의류 스타일러(10)는 의류의 이동거리 및 먼지량을 네트워크에 포함된 AI 프로세서로 전송하도록 트랜시버(transceiver)를 제어할 수 있다. 또한, 의류 스타일러(10)는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 트랜시버를 제어할 수 있다.
한편, 의류 스타일러(10)는 네트워크로 의류의 이동거리 및 먼지량을 전송하기 위하여 네트워크와 초기 접속 절차를 수행할 수 있다. 의류 스타일러(10)는 SSB(synchronization signal block)에 기초하여 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 의류 스타일러(10)는 트랜시버를 통해 의류의 이동거리 및 먼지량을 네트워크로 전송할 수 있다. 의류 스타일러(10)는 DCI에 기초하여 의류의 이동거리 및 먼지량을 네트워크로 전송할 수 있다.
의류의 이동거리 및 먼지량은 PUSCH(physical uplink shared channel)를 통해 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 13을 참조하면, 의류 스타일러(10)는 트랜시버를 통해 의류의 이동거리 및 먼지량을 5G 네트워크로 전송할 수 있다(S210).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 의류의 이동거리 및 먼지량에 기초하여 AI 프로세싱을 수행할 수 있다(S220).
AI 시스템은 의류 스타일러(10)로부터 수신된 의류의 이동거리 및 먼지량을 입력으로 삼아 학습모델의 출력을 생성할 수 있다(S221).
AI 시스템은 출력에 기반하여 진동속도 및/또는 진동폭 중 적어도 하나를 포함하는 제2 무빙패턴에 관한 정보를 생성하고, 이를 의류 스타일러(10)로 전송할 수 있다(S222, S230).
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.

Claims (15)

  1. 제1 무빙패턴으로 무빙행거가 동작하는 동안 센서를 통해 처리챔버 내부의 먼지를 센싱하는 단계;
    상기 제1 무빙패턴으로 상기 무빙행거가 동작하는 동안 카메라를 통해 상기 처리챔버 내부에 구비된 의류의 이동정보를 생성하는 단계;
    상기 의류의 이동정보와 먼지량에 기초하여 제2 무빙패턴을 결정하는 단계; 및
    상기 결정된 제2 무빙패턴으로 상기 무빙행거를 제어하는 단계;
    를 포함하는 의류 스타일러 제어방법.
  2. 제1 항에 있어서,
    상기 이동정보는,
    상기 무빙행거의 진동에 의한 상기 의류의 이동거리를 포함하는 것을 특징으로 하는 의류 스타일러 제어방법.
  3. 제1 항에 있어서,
    상기 제2 무빙패턴은,
    상기 이동정보와 상기 먼지량을 입력으로 삼고, 상기 무빙행거의 진동폭 또는 진동속도를 결정하기 위한 출력을 생성하도록 학습된 학습모델을 이용하여 결정되는 것을 특징으로 하는 의류 스타일러 제어방법.
  4. 제3 항에 있어서,
    상기 학습모델은,
    강화학습 기반의 인공신경망 모델인 것을 특징으로 하는 의류 스타일러 제어방법.
  5. 제4 항에 있어서,
    상기 강화학습 기반의 인공신경망 모델은,
    상기 의류의 이동정보 및 상기 먼지량을 상태(state)로 정의하는 것을 특징으로 하는 의류 스타일러 제어방법.
  6. 제4 항에 있어서,
    상기 강화학습 기반의 인공신경망 모델은,
    상기 무빙행거의 진동폭 또는 진동속도를 행동(action)으로 정의하는 것을 특징으로 하는 의류 스타일러 제어방법.
  7. 제4 항에 있어서,
    상기 강화학습 기반의 인공신경망 모델은,
    상기 의류의 이동정보 또는 상기 먼지량 중 적어도 하나에 기반하여 보상(reward)를 산출하는 것을 특징으로 하는 의류 스타일러 제어방법.
  8. 제7 항에 있어서,
    상기 보상은,
    상기 먼지량에 비례하여 증가하도록 계산되는 것을 특징으로 하는 의류 스타일러 제어방법.
  9. 제7 항에 있어서,
    상기 보상은,
    상기 이동거리에 반비례하여 증가하도록 계산되는 것을 특징으로 하는 의류 스타일러 제어방법.
  10. 제7 항에 있어서,
    상기 보상은,
    상기 먼지량에 비례하여 증가하되, 상기 이동거리에 반비례하여 증가하도록 계산되는 것을 특징으로 하는 의류 스타일러 제어방법.
  11. 제1 항에 있어서,
    상기 제2 무빙패턴을 결정하는 단계는,
    상기 의류의 이동정보 및 먼지량의 전송을 스케줄링하기 위해 사용되는 DCI(downlink control information)을 네트워크로부터 수신하는 단계;
    를 더 포함하고,
    상기 상기 의류의 이동정보 및 먼지량은,
    상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는 의류 스타일러 제어방법.
  12. 제11 항에 있어서,
    SSB(synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;
    를 더 포함하고,
    상기 의류의 이동정보 및 먼지량은 PUSCH(physical uplink shared channel)를 통해 상기 네트워크로 전송되고,
    상기 SSB와 상기 PUSCH의 DM-RS(dedicated demodulation reference signal)는 QCL(Quasi-Co Location) type D에 대해 QCL되어 있는 것을 특징으로 하는 의류 스타일러 제어방법.
  13. 제1 무빙패턴으로 무빙행거가 동작하는 동안 처리챔버 내부의 먼지를 센싱하는 센서;
    상기 제1 무빙패턴으로 상기 무빙행거가 동작하는 동안 상기 처리챔버 내부의 영상을 촬영하는 카메라; 및
    상기 영상으로부터 상기 처리챔버 내부에 구비된 의류의 이동정보를 생성하고, 상기 의류의 이동정보와 먼지량에 기초하여 제2 무빙패턴을 결정하고, 상기 결정된 제2 무빙패턴으로 상기 무빙행거를 제어하는 프로세서;
    를 포함하는 의류 스타일러.
  14. 제13 항에 있어서,
    트랜시버를 더 포함하고,
    상기 프로세서는,
    상기 트랜시버를 통해 상기 의류의 이동정보와 먼지량을 네트워크로 전송하고, 상기 네트워크로부터 상기 제2 무빙패턴에 관한 정보를 응답으로 수신하는 것을 특징으로 하는 의류 스타일러.
  15. 제1 항 내지 제12 항 중 어느 한 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독가능한 기록매체.
PCT/KR2020/006994 2019-12-24 2020-05-29 의류의 움직임에 기반한 무빙행거 제어 WO2021132818A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20907904.5A EP4083298A4 (en) 2019-12-24 2020-05-29 CONTROL OF MOVING HANGERS DUE TO CLOTHING MOVEMENT
US17/785,691 US20230063375A1 (en) 2019-12-24 2020-05-29 Moving hanger control on basis of movement of clothing
CN202080090299.8A CN114901889B (zh) 2019-12-24 2020-05-29 衣物护理机的控制方法以及衣物护理机

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0173893 2019-12-24
KR1020190173893A KR20210081686A (ko) 2019-12-24 2019-12-24 의류의 움직임에 기반한 무빙행거 제어

Publications (1)

Publication Number Publication Date
WO2021132818A1 true WO2021132818A1 (ko) 2021-07-01

Family

ID=76575635

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/006994 WO2021132818A1 (ko) 2019-12-24 2020-05-29 의류의 움직임에 기반한 무빙행거 제어

Country Status (5)

Country Link
US (1) US20230063375A1 (ko)
EP (1) EP4083298A4 (ko)
KR (1) KR20210081686A (ko)
CN (1) CN114901889B (ko)
WO (1) WO2021132818A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016002238A (ja) * 2014-06-17 2016-01-12 パナソニックＩｐマネジメント株式会社 布材処理装置
KR20170015670A (ko) * 2015-07-30 2017-02-09 코웨이 주식회사 빨래 건조 기능을 갖는 제습장치 및 이의 동작 방법
CN106884278A (zh) * 2017-04-17 2017-06-23 东华大学 一种多功能智能衣物护理机
KR20190104949A (ko) * 2019-08-01 2019-09-11 엘지전자 주식회사 인공 지능형 의류 처리 장치와 그 구동방법
KR102000450B1 (ko) * 2018-10-19 2019-10-01 엘지전자 주식회사 인공지능 의류관리기

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7270144B2 (en) * 2004-01-30 2007-09-18 Oatey Co. Universal washing machine outlet box
KR20090017826A (ko) * 2007-08-16 2009-02-19 엘지전자 주식회사 복합의류처리시스템
JP2016134944A (ja) * 2015-01-15 2016-07-25 トヨタ自動車株式会社 電力変換装置
KR102606117B1 (ko) * 2016-06-03 2023-11-24 엘지전자 주식회사 의류처리장치
DE102018005275A1 (de) * 2018-06-01 2019-12-05 Herbert Kannegiesser Gmbh Verfahren und Vorrichtung zum Glätten von textilen Gegenständen
CN110195344A (zh) * 2019-07-15 2019-09-03 合肥品冠科技有限公司 一种具有上风道系统的衣物护理机

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016002238A (ja) * 2014-06-17 2016-01-12 パナソニックＩｐマネジメント株式会社 布材処理装置
KR20170015670A (ko) * 2015-07-30 2017-02-09 코웨이 주식회사 빨래 건조 기능을 갖는 제습장치 및 이의 동작 방법
CN106884278A (zh) * 2017-04-17 2017-06-23 东华大学 一种多功能智能衣物护理机
KR102000450B1 (ko) * 2018-10-19 2019-10-01 엘지전자 주식회사 인공지능 의류관리기
KR20190104949A (ko) * 2019-08-01 2019-09-11 엘지전자 주식회사 인공 지능형 의류 처리 장치와 그 구동방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4083298A4 *

Also Published As

Publication number Publication date
KR20210081686A (ko) 2021-07-02
US20230063375A1 (en) 2023-03-02
CN114901889A (zh) 2022-08-12
EP4083298A1 (en) 2022-11-02
CN114901889B (zh) 2023-10-13
EP4083298A4 (en) 2024-01-03

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
WO2020246649A1 (ko) 엣지 컴퓨팅 디바이스에서 음성 인식 방법
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2021020633A1 (ko) 인공 지능형 의류 처리 장치와 그 구동방법
WO2020262737A1 (ko) 지능형 로봇 청소기
KR20190090368A (ko) 지능적 가전 제어 방법, 가전을 제어하는 장치 및 지능형 컴퓨팅 디바이스
WO2021002486A1 (ko) 음성인식 방법 및 그 장치
WO2020241944A1 (ko) 차량 제어 방법 및 차량을 제어하는 지능형 컴퓨팅 디바이스
WO2020251066A1 (ko) 지능형 로봇 디바이스
WO2021015301A1 (ko) 지능형 세탁기와 그 제어방법
WO2020251067A1 (ko) 인공 지능형 냉장고 및 이의 식품 보관 방법
WO2020246639A1 (ko) 증강현실 전자기기의 제어방법
WO2021149879A1 (ko) 피접촉면의 재질에 따른 청소로봇 제어방법
EP4205447A1 (en) Method and apparatus for cell reselection in sliced network in wireless communication system
WO2020138856A1 (en) Method and apparatus for cell reselection in wireless communication system
WO2021010504A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2021132818A1 (ko) 의류의 움직임에 기반한 무빙행거 제어
WO2021153954A1 (en) Method and apparatus for performing measurement in wireless communication system
WO2021150054A1 (en) Method and apparatus for mobility handling in wireless communication system
WO2021167171A1 (ko) 지능형 조리장치의 제어
WO2021020629A1 (ko) 자율주행시스템에서 차량의 배차방법 및 이를 위한 장치
WO2021080108A1 (ko) 전자 장치의 용도에 부적합한 물품의 검출
WO2021015337A1 (ko) 이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기

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: 20907904

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: 2020907904

Country of ref document: EP

Effective date: 20220725