KR100581717B1

KR100581717B1 - Learning method based on inhabitant's behavioral pattern in the intelligent residential space

Info

Publication number: KR100581717B1
Application number: KR1020040043936A
Authority: KR
Inventors: 이형욱; 김영민; 도준형; 정진우; 변증남
Original assignee: 한국과학기술원
Priority date: 2004-06-15
Filing date: 2004-06-15
Publication date: 2006-05-22
Also published as: KR20050118822A

Abstract

본 발명은 사용자의 생활 패턴(lift style)에 기반한 행동 패턴을 학습하여 사용자의 주거 환경을 사용자가 원하는 최적의 상태로 만들어 주고, 로봇 등을 이용한 서비스 작업을 자동으로 수행하도록 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법에 관한 것이다.The present invention learns a behavior pattern based on a user's life style (lift style) to make the user's living environment the optimal state desired by the user, and intelligently based on the user's behavior pattern to automatically perform a service operation using a robot. It is about learning method of living space.

본 발명에 따른 지능형 주거 공간의 학습방법은, 최대퍼지소속함수의 개수와 에피소드 단위를 설정하는 제 1 단계와; 최초 에피소드에서 관측된 사용자 행위 내용과 주거환경 정보를 이용하여 퍼지규칙과 퍼지소속함수를 생성하고, 상기 생성된 퍼지규칙과 퍼지소속함수를 학습된 지식으로 저장하는 제 2 단계와; 이후의 에피소드에서 사용자 행위를 관측하고 상기 관측된 행위 내용과 주거환경 정보를 저장하는 제 3 단계와; 상기 제 3 단계에서 관측된 신규 에피소드에서의 사용자 행위 내용을 상기 기학습된 지식의 사용자 행위 내용과 비교하여, 상기 신규 에피소드에서 새롭게 관측된 신규 행위와 기학습된 지식과 중복된 행위를 구분하는 제 4 단계와; 상기 신규 에피소드에서 새롭게 관측된 신규 행위에 대한 퍼지규칙과 퍼지소속함수를 생성하고, 상기 기학습된 지식과 중복된 행위에 대한 퍼지규칙과 퍼지소속함수를 갱신하여, 상기 기학습된 지식을 갱신하는 제 5 단계를 포함한다.According to an aspect of the present invention, there is provided a learning method of an intelligent residential space, comprising: a first step of setting the number of maximum purge belonging functions and an episode unit; A second step of generating a fuzzy rule and a fuzzy belonging function using the user action contents and the residential environment information observed in the first episode, and storing the generated fuzzy rule and the fuzzy belonging function as learned knowledge; Observing user behavior in later episodes and storing the observed behavior and residential environment information; Comparing the content of the user's behavior in the new episode observed in the third step with the content of the user's behavior of the previously learned knowledge to distinguish the newly observed behavior from the newly learned episode from the previously learned knowledge and the duplicated behavior; 4 steps; Generating a fuzzy rule and a fuzzy belonging function for the newly observed new behavior in the new episode, updating the fuzzy rules and a fuzzy belonging function for the duplicated act learned knowledge, and updating the previously learned knowledge A fifth step is included.

퍼지함수, 퍼지규칙, 강화학습, 학습제어, 행동패턴 기반, 지능형 주거 공간Fuzzy Function, Fuzzy Rules, Reinforcement Learning, Learning Control, Behavior Pattern Based, Intelligent Residential Space

Description

사용자 행동 패턴 기반 지능형 주거 공간의 학습방법{Learning method based on inhabitant's behavioral pattern in the intelligent residential space} Learning method based on inhabitant's behavioral pattern in the intelligent residential space}

도 1은 본 발명의 한 실시예에 따른 지능형 자동 학습시스템을 포함한 홈 오토메이션 시스템의 구성도,1 is a block diagram of a home automation system including an intelligent automatic learning system according to an embodiment of the present invention;

도 2는 사용자가 학습시스템을 학습모드로 설정할 때, 학습시스템에서의 지능형 주거 공간의 초기 학습방법을 도시한 동작 흐름도,2 is an operation flowchart illustrating an initial learning method of an intelligent residential space in a learning system when the user sets the learning system to the learning mode;

도 3은 시간에 따른 시간 퍼지함수의 소속값 그래프와 시간에 따른 밝기 퍼지함수의 소속값 그래프,3 is a graph of belonging values of the time fuzzy function over time and the belonging values of the brightness fuzzy function over time;

도 4는 3일동안 관측된 사용자 행위 내용과 그 순간의 주거환경정보를 기재한 표,4 is a table listing the contents of the user behavior observed during the three days and the residential environment information at the moment;

도 5는 사용자가 학습시스템을 동작모드로 설정할 때, 학습시스템에서의 지능형 주거 공간의 재학습방법을 도시한 동작 흐름도이다.5 is an operation flowchart illustrating a re-learning method of the intelligent living space in the learning system when the user sets the learning system to the operation mode.

<도면의 주요 부분에 대한 부호의 간단한 설명><Brief description of symbols for the main parts of the drawings>

111 : 시간감지부 112 : 조도감지부111: time detection unit 112: roughness detection unit

113 : 온도감지부 114 : 습도감지부113: temperature detection unit 114: humidity detection unit

115 : 로봇시스템 116 : 각종 가전기기115: robot system 116: various home appliances

120 : 학습시스템 121 : 입력부120: learning system 121: input unit

122 : 데이터베이스122: database

본 발명은 행동 패턴에 기반한 지능형 주거 공간의 학습방법에 관한 것으로서, 사용자의 생활 패턴(lift style)에 기반한 행동 패턴을 학습하여 사용자의 주거 환경을 사용자가 원하는 최적의 상태로 만들어 주고, 로봇 등을 이용한 서비스 작업을 자동으로 수행하도록 하는 지능형 주거 공간의 학습방법에 관한 것이다. 또한, 본 발명은 사용자에게 자동 서비스를 제공한 후 사용자의 반응을 기반으로 학습 내용을 수정하는 지능형 주거 공간의 학습방법에 관한 것이기도 하다.The present invention relates to a learning method of an intelligent residential space based on a behavior pattern, and learns a behavior pattern based on a user's living style (lift style) to make the user's living environment the optimal state desired by the user, and the like. The present invention relates to an intelligent residential space learning method that automatically performs a service operation. The present invention also relates to an intelligent residential space learning method that modifies the learning content based on the user's response after providing the automatic service to the user.

인간은 거주 공간이 생활하기에 적합하도록 각종 전자작동기기를 조절한다. 즉, 실내 온도에 따라 냉난방장치를 가동하거나, 실내 조도에 따라 조명을 제어한다. 또한, 로봇 등을 이용하여 차 또는 식사를 주문하기도 한다. 가정 내 사용되는 대부분의 전자작동기기는 사용자 인터페이스에 의해 수동적으로 작동하거나, 지정된 프로그램에 의해 자동적으로 조절된다. 사용자 인터페이스를 이용하여 전자작동기기를 제어하는 것은 항상 거주자의 명령이 필요한 문제점이 있었다. 또한, 지정된 프로그램에 의해 자동제어를 할 경우, 인간의 평균적인 생활패턴을 기준으로 프로그래밍되기 때문에, 거주자 각자의 생활 패턴의 다양성과 변화를 고려할 수 없을 뿐만 아니라 새로운 요구에 적응할 수 없는 문제점이 있다.Humans control various electronically operated devices so that the living space is suitable for living. That is, the air conditioner is operated according to the room temperature, or the lighting is controlled according to the room illumination. In addition, a robot or the like may be used to order tea or meals. Most electronic devices used in the home are manually operated by the user interface or automatically controlled by a designated program. Controlling the electronically operated device using the user interface has always had a problem of requiring the command of the occupants. In addition, when the automatic control by the designated program is programmed based on the average life pattern of humans, there is a problem that it is not possible to take into account the diversity and change of each residents' living patterns and adapt to new needs.

이러한 문제점을 해결하기 위하여, 각종 센서를 통하여 데이터를 수집하고 이 데이터를 바탕으로 거주자의 생활 패턴을 학습함으로써, 거주자의 명령없이도 전자작동기기를 동작시킬 수 있는 인공 신경망 제어기(공개특허 2001-95960)가 공개되었다. 이 인공 신경망 제어기는 인공 지능형 홈 오토메이션 시스템을 구현하기 위한 시스템이지만, 인공 신경망의 특성상 성능의 한계점을 가지고 있다.In order to solve this problem, by collecting data through various sensors and learning the living pattern of the residents based on the data, artificial neural network controller that can operate the electronic device without the command of the residents (Public Patent 2001-95960) Was released. The artificial neural network controller is a system for implementing an artificial intelligent home automation system, but has a performance limitation due to the characteristics of the artificial neural network.

상기한 종래기술의 문제점을 해결하기 위하여 안출된 본 발명의 목적은, 사용자의 행동 패턴에 기반한 지능형 주거 공간의 학습 시스템을 구현하여, 어느 정도의 학습 기간이 지난 후에는 사용자의 의도를 파악하여 주거 공간을 조절함으로써, 최적화된 환경을 제공하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법을 제공하기 위한 것이다.An object of the present invention devised to solve the above problems of the prior art is to implement a learning system of an intelligent residential space based on a user's behavior pattern, and after a certain learning period, grasp the intention of the user By adjusting the space, it is to provide a learning method of intelligent residential space based on user behavior patterns to provide an optimized environment.

또한, 본 발명의 다른 목적은, 사용자에게 최적화된 주거 환경을 제공한 후 사용자의 긍정 또는 부정적인 반응을 감지하여, 사용자의 반응을 기반으로 학습 내용을 수정함으로써, 사용자의 생활 패턴의 변화에 적응할 수 있는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법을 제공하기 위한 것이다.
In addition, another object of the present invention, by providing an optimized residential environment to the user and then detect the user's positive or negative response, by modifying the learning content based on the user's response, it can adapt to changes in the user's life pattern It is to provide a learning method of intelligent residential space based on user behavior patterns.

상기한 목적을 달성하기 위한 본 발명의 한 실시예에 따른 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법은, 주거 환경을 감지하는 각종 감지부, 사용자에 의해 조작되는 각종 가전기기 및 로봇시스템과 연결되어, 상기 각종 가전기기 및 로봇시스템이 조작될 때 상기 각종 감지부로부터 주거환경 정보를 입력받아 사용자의 의도를 학습하는 학습시스템에서의 지능형 주거 공간의 학습방법에 있어서,In order to achieve the above object, a learning method of an intelligent residential space based on user behavior patterns according to an embodiment of the present invention is connected to various sensing units for sensing a living environment, various home appliances and robot systems operated by a user. In the intelligent home space learning method in the learning system that receives the living environment information from the various sensing unit to learn the user's intention when the various home appliances and robot systems are operated,

최대퍼지소속함수의 개수와 에피소드 단위를 설정하는 제 1 단계와;A first step of setting the number of maximum purge function and the episode unit;

최초 에피소드에서 관측된 사용자 행위 내용과 주거환경 정보를 이용하여 퍼지규칙과 퍼지소속함수를 생성하고, 상기 생성된 퍼지규칙과 퍼지소속함수를 학습된 지식으로 저장하는 제 2 단계와;A second step of generating a fuzzy rule and a fuzzy belonging function using the user action contents and the residential environment information observed in the first episode, and storing the generated fuzzy rule and the fuzzy belonging function as learned knowledge;

이후의 에피소드에서 사용자 행위를 관측하고 상기 관측된 행위 내용과 주거환경 정보를 저장하는 제 3 단계와;Observing user behavior in later episodes and storing the observed behavior and residential environment information;

상기 제 3 단계에서 관측된 신규 에피소드에서의 사용자 행위 내용을 상기 기학습된 지식의 사용자 행위 내용과 비교하여, 상기 신규 에피소드에서 새롭게 관측된 신규 행위와 기학습된 지식과 중복된 행위를 구분하는 제 4 단계와;Comparing the content of the user's behavior in the new episode observed in the third step with the content of the user's behavior of the previously learned knowledge to distinguish the newly observed behavior from the newly learned episode from the previously learned knowledge and the duplicated behavior; 4 steps;

상기 신규 에피소드에서 새롭게 관측된 신규 행위에 대한 퍼지규칙과 퍼지소속함수를 생성하고, 상기 기학습된 지식과 중복된 행위에 대한 퍼지규칙과 퍼지소속함수를 갱신하여, 상기 기학습된 지식을 갱신하는 제 5 단계를 포함한 것을 특징으로 한다.Generating a fuzzy rule and a fuzzy belonging function for the newly observed new behavior in the new episode, updating the fuzzy rules and a fuzzy belonging function for the duplicated act learned knowledge, and updating the previously learned knowledge And a fifth step.

또한, 본 발명의 다른 실시예에 따른 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법은, 주거환경을 감지하는 각종 감지부, 사용자의 행위 패턴을 기반으 로 학습된 퍼지규칙과 퍼지소속함수를 저장하는 데이터베이스, 사용자에게 서비스를 제공하는 각종 가전기기 및 로봇시스템과 연결되어, 상기 각종 감지부로부터 입력되는 주거환경 입력값으로 상기 데이터베이스를 검색하여 해당되는 퍼지규칙을 상기 각종 가전기기 및 로봇시스템에게 적용하는 학습시스템에서의 지능형 주거 공간의 학습방법에 있어서,In addition, the learning method of the intelligent residential space based on user behavior patterns according to another embodiment of the present invention, the various sensing unit for detecting the living environment, the fuzzy rules and fuzzy belonging function learned based on the behavior pattern of the user Database, connected to various home appliances and robot systems that provide services to the user, to search the database with the input of the living environment input from the various sensing unit to apply the corresponding fuzzy rules to the various home appliances and robot systems In the learning method of intelligent living space in the learning system,

상기 각종 감지부의 주거환경 입력값을 이용하여 상기 데이터베이스를 검색하는 제 1 단계와;A first step of searching the database by using input values of the living environment of the various sensing units;

상기 주거환경 입력값에 해당하는 복수의 퍼지규칙이 존재하면 상기 복수의 퍼지규칙이 발생한 횟수(발생값)를 이용하여 선택한 하나의 퍼지규칙을 상기 각종 가전기기 또는 로봇시스템에게 적용하는 제 2 단계와;A second step of applying one selected fuzzy rule to the various home appliances or robot systems by using the number of occurrences of the plurality of fuzzy rules when the plurality of fuzzy rules corresponding to the living environment input value exist; ;

사용자의 반응을 감지하여 상기 사용자의 반응에 따른 보상값 및 가중치를 이용하여 상기 제 2 단계에서 적용한 퍼지규칙의 발생값을 갱신하는 제 3 단계를 포함한 것을 특징으로 한다.And a third step of detecting the user's response and updating the generated value of the fuzzy rule applied in the second step by using the compensation value and the weight according to the user's response.

또한, 본 발명의 다른 실시예에 따른 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법은, 각종 가전기기 및 로봇시스템이 조작될 때 상기 각종 감지부로부터 주거환경 정보를 입력받아 사용자의 의도를 학습하는 학습모드와, 상기 각종 감지부로부터 입력되는 주거환경 입력값에 해당되는 퍼지규칙을 상기 각종 가전기기 및 로봇시스템에게 적용하는 동작 및 재학습모드로 동작하는 학습시스템에서의 지능형 주거 공간의 학습방법에 있어서,In addition, the learning method of the intelligent residential space based on the user behavior pattern according to another embodiment of the present invention, learning to learn the user's intention by receiving the living environment information from the various sensing unit when various home appliances and robot systems are operated In the learning method of the intelligent residential space in the learning system that operates in the mode and the re-learning mode and the operation to apply the fuzzy rule corresponding to the residential environment input value input from the various sensing unit to the various home appliances and robot systems ,

상기 학습모드는, 최대퍼지소속함수의 개수와 에피소드 단위를 설정하는 제 1 단계와; 최초 에피소드에서 관측된 사용자 행위 내용과 주거환경 정보를 이용하여 퍼지규칙과 퍼지소속함수를 생성하고, 상기 생성된 퍼지규칙과 퍼지소속함수를 학습된 지식으로 저장하는 제 2 단계와; 이후의 에피소드에서 사용자 행위를 관측하고 상기 관측된 행위 내용과 주거환경 정보를 저장하는 제 3 단계와; 상기 제 3 단계에서 관측된 신규 에피소드에서의 사용자 행위 내용을 상기 기학습된 지식의 사용자 행위 내용과 비교하여, 상기 신규 에피소드에서 새롭게 관측된 신규 행위와 기학습된 지식과 중복된 행위를 구분하는 제 4 단계와; 상기 신규 에피소드에서 새롭게 관측된 신규 행위에 대한 퍼지규칙과 퍼지소속함수를 생성하고, 상기 기학습된 지식과 중복된 행위에 대한 퍼지규칙과 퍼지소속함수를 갱신하여, 상기 기학습된 지식을 갱신하는 제 5 단계를 포함하고,The learning mode may include a first step of setting the number of maximum purge function and the episode unit; A second step of generating a fuzzy rule and a fuzzy belonging function using the user action contents and the residential environment information observed in the first episode, and storing the generated fuzzy rule and the fuzzy belonging function as learned knowledge; Observing user behavior in later episodes and storing the observed behavior and residential environment information; Comparing the content of the user's behavior in the new episode observed in the third step with the content of the user's behavior of the previously learned knowledge to distinguish the newly observed behavior from the newly learned episode from the previously learned knowledge and the duplicated behavior; 4 steps; Generating a fuzzy rule and a fuzzy belonging function for the newly observed new behavior in the new episode, updating the fuzzy rules and a fuzzy belonging function for the duplicated act learned knowledge, and updating the previously learned knowledge Including a fifth step,

상기 동작 및 재학습모드는, 상기 각종 감지부의 주거환경 입력값을 이용하여 퍼지규칙을 검색하는 제 6 단계와; 상기 주거환경 입력값에 해당하는 복수의 퍼지규칙이 존재하면 상기 복수의 퍼지규칙이 발생한 횟수(발생값)를 이용하여 선택한 하나의 퍼지규칙을 상기 각종 가전기기 또는 로봇시스템에게 적용하는 제 7 단계와; 사용자의 반응을 감지하여 상기 사용자의 반응에 따른 보상값 및 가중치를 이용하여 상기 제 7 단계에서 적용한 퍼지규칙의 발생값을 갱신하는 제 8 단계를 포함한 것을 특징으로 한다.The operation and relearning mode may include a sixth step of searching for a fuzzy rule by using input values of the living environment of the various sensing units; A seventh step of applying one selected fuzzy rule to the various home appliances or robot systems by using the number of occurrences of the plurality of fuzzy rules when the plurality of fuzzy rules corresponding to the living environment input value exist; ; And an eighth step of detecting the user's response and updating the generated value of the fuzzy rule applied in the seventh step by using the compensation value and the weight according to the user's response.

이하, 첨부된 도면을 참조하여 본 발명의 한 실시예에 따른 사용자 행동 패 턴 기반 지능형 주거 공간의 학습방법을 보다 상세히 설명하면 다음과 같다.Hereinafter, a learning method of an intelligent residential space based on a user behavior pattern according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

본 발명에 따른 지능형 자동 학습시스템은 퍼지 룰 기반(Fuzzy Rule Based)으로 이루어진다.Intelligent automatic learning system according to the present invention is based on fuzzy rule based (Fuzzy Rule Based).

도 1은 본 발명의 한 실시예에 따른 지능형 자동 학습시스템을 포함한 홈 오토메이션 시스템의 구성도이다. 홈 오토메이션 시스템은 주거 환경(시간, 조도, 온도, 습도)을 감지하기 위한 각종 감지부(111, 112, 113, 114)와, 사용자에게 각종 서비스(아침식사, 신문, 차 배달, 안마 등)을 제공하는 로봇시스템(115)와, 주거 환경을 조절하는 각종 가전기기(116)와, 학습모드에서 사용자가 로봇시스템(115)과 각종 가전기기(116)를 조작하면 각종 감지부(111, 112, 113, 114)로부터 주거 환경 정보를 입력받아 학습하고 동작모드에서 주거 환경정보에 따라 로봇시스템(115)과 각종 가전기기(116)를 제어 및 재학습하는 학습시스템(120)과, 사용자가 선택한 모드정보와 만족도정보를 학습시스템(120)에게 제공하는 입력부(121)와, 학습시스템(120)의 학습 결과를 저장하는 데이터베이스(122)를 구비한다.1 is a block diagram of a home automation system including an intelligent automatic learning system according to an embodiment of the present invention. The home automation system provides various sensors (111, 112, 113, 114) for detecting a living environment (time, illumination, temperature, humidity), and various services (breakfast, newspaper, car delivery, massage, etc.) to the user. When providing a robot system 115, various home appliances 116 to control the living environment, and the user manipulates the robot system 115 and various home appliances 116 in the learning mode, various sensing units 111, 112, Learning system 120 for receiving and receiving living environment information from 113 and 114 and controlling and relearning the robot system 115 and various home appliances 116 according to the residential environment information in the operation mode, and a mode selected by the user. The input unit 121 provides information and satisfaction information to the learning system 120, and a database 122 storing the learning results of the learning system 120.

사용자는 학습시스템을 학습모드 또는 동작/재학습모드로 설정한다.The user sets the learning system in learning mode or operation / relearning mode.

도 2는 사용자가 학습시스템을 학습모드로 설정할 때, 학습시스템에서의 지능형 주거 공간의 초기 학습방법을 도시한 동작 흐름도이다.2 is a flowchart illustrating an initial learning method of an intelligent residential space in the learning system when the user sets the learning system to the learning mode.

먼저, 사용자가 학습시스템을 학습모드로 설정하고(S201), 학습시스템의 최대 퍼지함수의 개수 및 에피소드 단위를 설정한다(S202). 예컨대, 조명에 대한 최대 퍼지함수의 개수는 5개, 시간에 대한 최대 퍼지함수의 개수는 최대 20개, 온도 에 대한 최대 퍼지함수의 개수는 5개로 설정할 수 있다. 이때, 조명에 대한 퍼지함수는 '아주 어둡다', '어둡다', '적당하다', '밝다', '아주 밝다' 등으로 구분될 수 있으며, 온도에 대한 퍼지함수는 '아주 춥다', '춥다', '적당하다', '덥다', '아주 덥다' 등으로 구분될 수 있다. 또한, 시간에 대한 퍼지함수는 '7시경', '7시30분경', '8시경', '8시30분경', '9시경', ... 등으로 구분될 수도 있고, '새벽', '이른 아침', '아침', '늦은 아침' ... 등으로 구분될 수도 있다.First, the user sets the learning system to the learning mode (S201), and sets the maximum number of fuzzy functions and episode units of the learning system (S202). For example, the maximum number of fuzzy functions for lighting may be set to five, the maximum number of fuzzy functions for time may be up to 20, and the maximum number of maximum fuzzy functions for temperature may be set to five. At this time, the fuzzy function for lighting can be classified into 'very dark', 'dark', 'suitable', 'bright', 'very bright', and the fuzzy function for temperature is 'very cold' and 'cold'. It can be divided into 'suitable', 'hot', and 'very hot'. In addition, the fuzzy function of time may be divided into 'about 7 o'clock', 'about 7:30', 'about 8', 'about 8:30', 'about 9', ..., or 'dawn' , 'Early morning', 'morning', 'late morning' ... and so on.

퍼지함수를 구성하는 각 요소들은 퍼지집합으로 표현되는데, 이 퍼지집합은 조도값, 온도값, 습도값 또는 시간값과, 해당 값이 해당 퍼지집합에 속할 가능성인 소속값으로 이루어진다. 예컨데, 시간의 퍼지함수의 경우, 아침 6시쯤이 '이른 아침'의 퍼지집합에 속할 가능성이 가장 크다. 도 3은 시간에 따른 시간 퍼지함수의 소속값 그래프와 시간에 따른 밝기 퍼지함수의 소속값 그래프를 도시한다. 도 3에서와 같이 각 퍼지함수을 구성하는 퍼지집합들은 여러 개가 겹쳐서 나타날 수도 있다. 즉, 하나의 시간이 2개 내지 3개의 퍼지집합에 동시에 속할 수 있다.Each element of the fuzzy function is represented by a fuzzy set, which consists of an illuminance value, a temperature value, a humidity value, or a time value, and a belonging value in which the value belongs to the fuzzy set. For example, in the case of the fuzzy function of time, it is most likely that around 6 am belongs to the 'early morning' fuzzy set. 3 shows a graph of belonging values of the time fuzzy function over time and a graph of belonging values of the brightness fuzzy function over time. As shown in FIG. 3, several fuzzy sets constituting each fuzzy function may overlap each other. That is, one time can belong to two to three fuzzy sets simultaneously.

다음, 에피소드(하루) 단위로 사용자의 생활 패턴을 학습한다. 에피소드는 학습이 이루어지는 단위로서, 본 실시예에서는 에피소드를 하루 단위로 설정하였으나, 본 발명은 이에 한정되지 아니하며 다른 시간 단위로 설정할 수도 있다.Next, the user's life pattern is learned in units of episodes (day). The episode is a unit in which learning is performed. In the present embodiment, the episode is set in units of one day, but the present invention is not limited thereto and may be set in other time units.

새로운 에피소드의 시작인 지를 감지하여(S203) 새로운 에피소드가 시작하면 신규 에피소드를 설정하고(S204), 사용자 행위를 관측하여 관측된 행위 내용과 관측 순간의 주거 환경 정보를 저장한다(S205). 사용자가 로봇시스템(115) 또는 각종 가전기기(116)을 조작하면, 조작하는 순간의 주거 환경과 조작 내용을 저장한 다. 이러한 사용자 행위 관측단게는 에피소드가 종료될 때까지 계속된다(S206).It detects whether the new episode starts (S203), sets a new episode when the new episode starts (S204), and observes the user's behavior and stores the observed behavior and the residential environment information at the moment of observation (S205). When the user operates the robot system 115 or various home appliances 116, the living environment and the operation contents at the moment of operation are stored. This user behavior observation step continues until the episode ends (S206).

에피소드가 종료되면, 이미 학습된 지식이 존재하는 지를 판단한다(S207). 이미 학습된 지식이 존재하지 않는 첫째 에피소드일 경우에는, 첫째 에피소드에서 관측된 행위 내용과 관측 순간의 주거 환경 정보를 이용하여 퍼지규칙과, 퍼지소속함수를 생성한다(S208). 즉, 사용자가 텔레비전을 커거나 채널을 변경하거나 볼륨을 조절할 때의 시간, 조도, 온도, 습도 등을 감지하여, 수학식 1과 같은 IF-THEN 형태의 퍼지규칙을 생성한다.When the episode ends, it is determined whether knowledge already learned exists (S207). In the case of the first episode in which the already learned knowledge does not exist, a fuzzy rule and a fuzzy belonging function are generated using the behavior contents observed in the first episode and the residential environment information at the moment of observation (S208). That is, by detecting the time, illuminance, temperature, humidity, etc. when the user enlarges the TV, changes the channel, or adjusts the volume, an IF-THEN type fuzzy rule as shown in Equation 1 is generated.

IF I₁=A₁, I₂=B₂, ... THEN O₁=P₁, O₂=P₂, ...IF I ₁ = A ₁ , I ₂ = B ₂ , ... THEN O ₁ = P ₁ , O ₂ = P ₂ , ...

여기서, I_N(N은 1이상 자연수)은 조도, 온도, 습도, 시간을 나타내며, A₁, B₁은 퍼지소속함수이다. 퍼지소속함수는 언어변수로 표현되는데, 즉 조도의 경우 아주 어둡다, 어둡다, 적당하다, 밝다, 아주 밝다 등으로 표현된다.Here, I _N (N is a natural number of 1 or more) represents illuminance, temperature, humidity, and time, and A ₁ and B ₁ are purge-specific functions. Fuzzy-property functions are represented by linguistic variables, i.e. in terms of illumination, they are very dark, dark, moderate, bright, very bright, and so on.

여기서, 사용자가 블라인드를 닫고 전등을 모두 켜는 행위가 관측되고 그 때의 조도가 500이면, 조도 500이 퍼지소속함수 중 아주 어둡다에 속할 가능성이 1 정도가 되고, 이때 퍼지규칙은 "IF 조도=아주 어둡다 THEN 블라인드=닫음, 조명=모두 켬"이 된다. 이때, 아주 어둡다의 퍼지소속함수는 500을 중심값으로 형성된다.Here, when the user closes the blinds and turns on all the lights, and the illuminance at that time is 500, the possibility that the illuminance 500 belongs to the darkest of the fuzzy-property functions is about 1, and the fuzzy rule is "IF illuminance = very low". Dark THEN Blinds = Close, Lights = All On ". At this time, the very dark fuzzy function is formed with a center value of 500.

또한, 사용자가 블라인드를 열고 전등을 절반만 켜는 행위가 관측되고 그 때의 조도가 1500이면, 조도 1500은 퍼지소속함수 중 어둡다에 속할 가능성이 크며, 이때 퍼지규칙은 "IF 조도=어둡다 THEN 블라인드=염, 조명=반만 켬"이 된다. 이 때, 어둡다의 퍼지소속함수는 1500을 중심값으로 형성된다. 위의 퍼지규칙의 예에서는 조도에 한정되어 설명하였지만, 퍼지규칙의 조건문에는 조도뿐만 아니라 그 순간의 시간, 습도, 온도 등의 주거 환경 정보도 함께 관측되어 저장된다.In addition, if the user observes that the user opens the blinds and turns on the lamp only halfway, and the illuminance at that time is 1500, the illuminance 1500 is likely to belong to the dark of the fuzzy-property functions, and the fuzzy rule is "IF illuminance = dark THEN blind = Flame, light = half on ". At this time, the dark fuzzy function is formed with a center value of 1500. In the example of the fuzzy rule described above, it is limited to the illuminance, but the conditional statement of the fuzzy rule also observes and stores not only the illuminance but also the residential environment information such as time, humidity, and temperature at that moment.

첫째 에피소드에서 관측된 사용자의 행위 내용과 주거환경정보를 기반으로 퍼지규칙과 퍼지소속함수를 생성하고, 생성된 퍼지규칙과 퍼지소속함수를 학습된 지식으로서 데이터베이스에 저장한다(S209). 그리고, 단계 S203으로 되돌아간다.A fuzzy rule and fuzzy belonging function are generated based on the behavior of the user and the living environment information observed in the first episode, and the generated fuzzy rule and fuzzy belonging function are stored in the database as learned knowledge (S209). Then, the process returns to step S203.

단계 S203의 판단 결과, 새로운 에피소드의 시작이기 때문에 신규 에피소드를 설정하고(S204), 신규 에피소드에서 이루어지는 사용자 행위를 관측하고 행위내용과 주거환경정보를 저장한다(S205).As a result of the determination in step S203, a new episode is set because it is the beginning of a new episode (S204), the user's behavior performed in the new episode is observed, and the content of the action and the living environment information are stored (S205).

그리고, 에피소드가 종료하면(S206) 기학습된 지식이 존재하는 지를 판단한다(S207). 이때에는 첫째 에피소드에서 관측된 사용자의 행위를 기반으로 생성된 퍼지규칙과 퍼지소속함수가 존재하기 때문에 단계 S210으로 진행한다. 단계 S210에서는 신규 에피소드에서 관측된 사용자의 행위 내용 및 행위 순서와, 기학습된 지식을 비교하고, 새롭게 관측된 신규 행위가 존재하는 지를 판단한다(S211).When the episode ends (S206), it is determined whether the pre-learned knowledge exists (S207). In this case, since there is a fuzzy rule and a fuzzy belonging function generated based on the user's behavior observed in the first episode, the process proceeds to step S210. In step S210, the content and behavior order of the user observed in the new episode are compared with the previously learned knowledge, and it is determined whether the newly observed new behavior exists (S211).

단계 S211에서 새롭게 관측된 신규 행위가 존재하면, 신규 행위에 대한 퍼지규칙과 퍼지소속함수를 생성한다(S212). 신규 행위에 대한 퍼지규칙과 퍼지소속함수를 생성하는 과정은 단계 S208과 같다. 그리고, 기존 행위와 동일한 행위에 대해서는 기존에 생성된 퍼지규칙과 퍼지소속함수를 갱신한다.If there is a new behavior newly observed in step S211, a fuzzy rule and fuzzy belonging function for the new behavior are generated (S212). The process of generating a fuzzy rule and a fuzzy belonging function for the new behavior is the same as in step S208. For the same behavior as the existing behavior, the existing fuzzy rule and fuzzy belonging function are updated.

퍼지규칙과 퍼지소속함수를 갱신하는 단계를 예를 들어 설명한다. 도 4는 3일동안 관측된 사용자 행위 내용과 그 순간의 주거환경정보를 기재한 표이다. 편 의상 입력은 시간, 실내조도, 외부조도이고, 출력은 로봇, 블라인드, 조명, 텔레비전 제어명령이라고 한다. 시간정보는 소수로 환산되어 저장된다.An example of updating a fuzzy rule and a fuzzy belonging function will be described. Figure 4 is a table listing the contents of the user behavior observed during the three days and the residential environment information at the moment. Flight inputs are time, indoor illumination, and external illumination, and outputs are called robot, blind, lighting, and television control commands. The time information is converted to a decimal number and stored.

첫째 날(첫째 에피소드)에는 8시 55분(8.917)(외부조도 200, 내부조도 20)에 사용자가 블라인드를 열고 조명을 켰으며, 9시(9)(외부조도 300, 내부조도 200)에 로봇에게 식사배달을 시켰으며, 9시 5분(9.083)(외부조도 400, 내부조도 200)에 텔레비전 7번 채널을 켰다. 도 4의 표를 해석하면, 다른 시간 및 다른 일자에서의 사용자의 행위도 이와 유사하게 해석이 가능하다.On the first day (first episode), the user opened the blinds and turned on the lights at 8:55 (8.917) (outer illuminance 200, inner illuminance 20), and at 9 o'clock (9) (outer illuminance 300, inner illuminance 200) He was given a meal and he turned on channel 7 at 9:05 (9.083) (400 outside, 200 inside). 4, the user's behavior at different times and on different dates can be interpreted similarly.

첫째 에피소드에서 관측된 행위들을 기반으로 퍼지규칙과 퍼지소속함수를 생성한다. 이때 생성되는 퍼지규칙과 퍼지소속함수의 일 예(시간값만을 입력으로 할 경우)는 다음과 같다. "IF 시간 ∼= 8.917 THEN 로봇 = 0, Blind = 1, ..." 이 퍼지규칙은 "시간이 8.917경이면 블라이드를 열고..." 와 같이 해석되며, 8.917경이라는 퍼지소속함수는 8.917만이 포함된다.Create fuzzy rules and fuzzy dependent functions based on the behaviors observed in the first episode. An example of a fuzzy rule and a fuzzy belonging function that is generated at this time (when only a time value is input) is as follows. "IF time ～ = 8.917 THEN robot = 0, Blind = 1, ..." This fuzzy rule is interpreted as "opening the blade when the time is about 8.917 ..." and the fuzzy function of about 8.917 contains only 8.917 do.

둘째 날은 9시(9)에 블라인드를 열고 조명을 켰으며, 9시 10분(9.167)에 로봇에게 식사배달을 시켰으며, 9시13분(9.217)에 텔레비전 7번 채널을 켰으며, 9시25분(9.417)에 로봇에게 신문배달을 시켰다.On the second day, the blinds were opened and lit at 9 o'clock (9), the robot was delivered at 9:10 (9.167), and the television channel 7 was turned on at 9:13 (9.217), 9 At 25 minutes (9.417), the robot was delivered to the newspaper.

둘째 에피소드에서 행위들을 관측한 후, 첫째 에피소드에서의 사용자의 행위들과 둘째 에피소드에서의 사용자의 행위들을 비교하는데, 표를 보면 처음부터 5개의 행위 내용과 끝에서 3개의 행위 내용이 일치한다. 즉, 이 8개의 행위들은 기존 행위와 동일한 행위인데, 이 행위들에 대해서는 새로운 퍼지규칙과 퍼지소속함수를 생성하는 것이 아니라 이미 학습된 지식을 갱신한다.After observing the behaviors in the second episode, we compare the user's behaviors in the first episode with the user's behaviors in the second episode. The table shows that the five behaviors at the beginning and the three behaviors at the end match. In other words, these eight behaviors are the same behaviors as the existing ones, and these behaviors do not create new fuzzy rules and fuzzy belonging functions, but update the already learned knowledge.

즉, 퍼지소속함수의 중심값과 폭, 및 퍼지규칙을 업데이트하는데, 이때 학습된 지식의 반복도 정보를 적용한다. 반복도 정보란, 해당 행위에 대한 퍼지소속함수와 퍼지규칙을 결정하는 데 사용된 입력값의 개수이다.In other words, the center value, width, and fuzzy rule of the fuzzy belonging function are updated, and the repetition information of the learned knowledge is applied. Repeatability information is the number of inputs used to determine the fuzzy belonging function and fuzzy rules for the behavior.

최대 반복도 N_max로 설정하고 반복된 행위에 대해서 반복도 N은 1씩 증가한다. 첫째 에피소드(N=1)에서 생성된 퍼지규칙과 퍼지소속함수는 기학습된 지식이 없기 때문에 현 에피소드에서의 입력값이 퍼지소속함수의 중심값이 된다. 둘째 에피소드(N=2)에서는 첫째 에피소드에서 관측된 행위내용과 동일한 행위가 관측되고 그때의 입력값이 달라진 경우, 퍼지소속함수의 중심값은 아래의 수학식 2와 같이 조정된다.The maximum repeatability is set to N _max , and the repeatability N increases by 1 for repeated actions. Since the fuzzy rules and fuzzy belonging functions generated in the first episode (N = 1) have no learned knowledge, the input value of the current episode becomes the center value of the fuzzy belonging function. In the second episode (N = 2), when the same behavior as that observed in the first episode is observed and the input value is changed, the center value of the fuzzy belonging function is adjusted as in Equation 2 below.

여기서, V_updated는 갱신된 퍼지소속함수의 중심값, V_NEW는 현 에피소드에서의 입력값, V_previous는 기학습된 지식의 퍼지소속함수의 중심값이다.Where V _updated is the center value of the updated fuzzy position function, V _NEW is the input value in the current episode, and V _previous is the center value of the fuzzy position function of _pre -learned knowledge.

이렇게 반복도 개념을 도입하지 않고 기학습된 지식과 현 에피소드에서의 입력값의 평균값을 퍼지소속함수의 중심값으로 갱신할 경우, 예외적인 상황이 발생하면 그 예외적인 상황으로 말미암아 퍼지소속함수의 중심값이 잘못 갱신되는 경우가 발생한다.If we update the mean value of pre-learned knowledge and current inputs in the current episode to the center of the fuzzy-proportional function without introducing the concept of repetition degree, if the exceptional situation occurs, it is the center of the fuzzy-proportional function due to the exceptional situation. Occurs when a value is incorrectly updated.

예를 들어 설명하면, 사용자가 아침식사를 요청한 시각이 8시40분, 8시50분, 9시5분, 8시55분, 9시5분 등 9시경일 경우, 이 퍼지소속함수의 중심값은 8시55분이 된다. 6번째 되는 날 사용자가 예외적으로 9시50분에 아침식사를 요청한 경우, 반복도 개념을 사용하지 않고 기학습된 지식 8시55분과 9시50분을 평균하면 9시25분이 된다. 즉, 사용자는 9시경에 식사하여 지금까지 학습한 결과가 한 번의 예외적인 상황에 의해 잘못 갱신되는 사태가 벌어지게 된다. 그러나, 본 발명에서와 같이 반복도 개념을 사용하면 ((8시55분)*5)+9시50분)/6으로 계산하여 9시10분의 결과가 얻어진다. N이 너무 커지면 계산식이 너무 복잡해지기 때문에 N이 N_max보다 커지면 N_max를 기준으로 계산이 이루어지도록 하여, 계속적인 학습이 가능하도록 하며 아울러 계산식이 너무 복잡해지지 않도록 한다.For example, if the user requests breakfast at 8:40, 8:50, 9: 5, 8:55, 9: 5, etc., the center of this fuzzy function is The value is 8:55. If the user requested breakfast at 9:50 on the sixth day, the average of 8:55 and 9:50 of pre-learned knowledge without using the recurrence concept would be 9:25. In other words, the user eats around 9 o'clock, and the result of the learning so far is caused to be incorrectly updated by one exceptional situation. However, using the concept of repeatability as in the present invention, a result of 9:10 is obtained by calculating ((8:55) * 5) +9: 50) / 6. Since N is too large, the equation is too complex to N such that the calculation made based on the N _max _max becomes larger than N, and the study continued to be well to prevent the calculation is so complex.

둘째 에피소드에서의 입력값이 입력되면, 이 입력값과 기학습된 지식을 기반으로 퍼지소속함수의 폭도 갱신한다. 퍼지소속함수의 폭을 결정하는 가표준편차는 아래의 수학식 3과 같이 구한다.When the input value in the second episode is input, the width of the fuzzy-proportional function is also updated based on the input value and the learned knowledge. The temporary standard deviation for determining the width of the fuzzy belonging function is obtained as in Equation 3 below.

여기서,

는 새로운 가표준편차이고,

는 기학습된 지식의 퍼지소속함수의 가표준편차이다.here,

Is the new temporary standard deviation,

Is the standard deviation of the fuzzy-proportional functions of pre-learned knowledge.

퍼지소속함수의 중심값(V_updated)과 가표준편차(

)는 도 3에 도시된 바와 같이 중심값에서 최대의 소속값을 가지고, 이 중심값을 중심으로 양쪽으로 소속값이 점점 줄어들어 중심값으로부터 가표준편차보다 더 멀리 떨어지면 소속값이 0이 되는 삼각파 모양이 된다.Center value (V _updated ) and _temporary standard deviation

) Has a maximum membership value at the center value as shown in FIG. 3, and the membership value decreases on both sides around the center value so that the membership value becomes zero when the membership value is zero further from the center value. Becomes

이렇게 갱신된 퍼지규칙과 퍼지소속함수를 '학습된 지식'으로 저장하고(S209), 단계 S203으로 되돌아간다.The updated fuzzy rule and fuzzy belonging function are stored as 'learned knowledge' (S209), and the process returns to step S203.

단계 S203 내지 단계 S212를 반복 수행하여 다수의 에피소드에서의 사용자의 행위를 관측하고, 행위내용과 주거환경정보를 기반으로 퍼지규칙과 퍼지소속함수를 생성 및 갱신하는 과정을 반복함으로써, 사용자의 생활 패턴을 학습한다.Repeating steps S203 to S212 to observe the user's behavior in a plurality of episodes, and repeating the process of generating and updating the fuzzy rules and the fuzzy belonging function based on the contents of the behavior and the living environment information, the user's life pattern To learn.

이때, 로봇을 이용한 차 배달이나 식사 배달의 경우, 차 종류(녹차, 커피, 주스)나 식사 종류(한식, 양식, 빵) 등이 달라질 수 있는데, 퍼지규칙과 퍼지소속함수를 갱신할 때 차 종류와 식사 종류도 함께 저장하고, 해당 차 종류와 식사 종류가 반복된 값(발생값)을 함께 저장한다.At this time, in the case of tea delivery or meal delivery using a robot, tea type (green tea, coffee, juice) or meal type (Korean food, Western food, bread) may be different. And the meal type are also stored together, and the tea type and the meal type are stored together with the repeated value (occurrence value).

사용자가 학습시스템을 동작모드로 설정하고, 보상값(r)과 가중치(a)를 설정한다(S501). 보상값(r)은 -k 내지 +k 사이의 실수값으로서, 사용자가 긍정의 반응을 할 경우에는 +k, 사용자가 부정의 반응을 할 경우에는 -k값으로 설정되며, 사용자가 무반응일 경우에는 0 내지 다른 값(긍정으로 간주하느냐, 부정으로 간주하느 냐에 따라서)으로 결정된다. 가중치는 임의로 정할 수 있으며, 사용자의 반응에 따라 발생값을 재계산하는 식에 사용된다.The user sets the learning system to the operation mode, and sets the compensation value r and the weight a (S501). The compensation value (r) is a real value between -k and + k, which is set to + k if the user responds positively and -k if the user reacts negatively. The case is determined from zero to another value (depending on whether it is considered positive or negative). The weight can be arbitrarily determined and used in the equation for recalculating the occurrence value according to the user's response.

그리고 난 후, 주거환경정보를 입력받아서 데이터베이스를 검색한다(S502). 주거환경정보를 입력값으로 하여 동일 입력에 대한 복수의 출력이 존재하면(S503), 복수의 출력 중 발생값에 따라 임의의 하나를 선택하고(S504), 선택된 출력에 대해 퍼지규칙을 적용하여 로봇시스템 또는 각종 가전기기를 제어한다(S505). 그리고, 사용자의 반응을 감지하고(S506), 사용자의 반응에 따른 보상값 및 가중치를 수학식 4에 적용하여 해당 출력의 발생값을 재계산한다(S507).Then, the search for the database by receiving the residential environment information (S502). If there are a plurality of outputs for the same input using the residential environment information as an input value (S503), an arbitrary one is selected according to the generated value among the plurality of outputs (S504), and a fuzzy rule is applied to the selected output to apply the robot. The system or various home appliances are controlled (S505). Then, the user's response is sensed (S506), and the generated value of the corresponding output is recalculated (S507) by applying the compensation value and the weight according to the user's response to Equation 4.

여기서, O'는 재계산된 발생값, O는 기존의 발생값, a는 가중치, r은 보상값을 의미한다.Where O 'is a recalculated occurrence value, O is an existing occurrence value, a is a weight, and r is a compensation value.

예를 들어 설명하면, 사용자가 로봇에게 차(녹차, 커피, 주스) 배달을 명령할 경우 사용자는 녹차, 커피, 주스 중 하나를 선택하게 되는데, 사용자가 차 종류를 선택할 때 사용자의 감정 및 환경(날씨, 습도, 온도) 뿐만 아니라 확률적인 요소가 결부된다.For example, when the user orders the robot to deliver tea (green tea, coffee, juice), the user selects one of green tea, coffee, and juice. When the user selects a tea type, the user's emotion and environment ( Weather, humidity, temperature) as well as probabilistic factors.

따라서, 사용자가 로봇에게 차 배달을 시킬 경우, 학습시스템은 차 종류의 정보와 발생값을 저장한다. 예컨대, 녹차를 4번, 커피를 2번, 주스를 1번 요청한 경우, 그 발생확률은 각각 4/7, 2/7, 1/7이 되고, 발생값은 각각 4, 2, 1이 된다.Therefore, when the user makes a car delivery to the robot, the learning system stores the car type information and the generated value. For example, when four green teas, two coffees, and one juice are requested, the probability of occurrence is 4/7, 2/7, and 1/7, respectively, and the occurrence values are 4, 2, and 1, respectively.

동작모드에서 학습시스템은 주거환경이 차 배달할 입력 조건을 만족하면, 반 복도에 따라 녹차, 커피, 주스 중 하나의 차를 배달한다. 가중치(a)가 2이고, r이 -1 내지 1 사이의 실수값으로 설정한다. 로봇이 주스를 배달하여 사용자가 매우 긍적적인 반응을 보이면 새로운 발생값(O')은 1+(1*2)=3 으로 재계산되고, 로봇이 녹차를 배달하여 사용자가 매우 부정적인 반응을 보이면 새로운 발생값(O')은 4+(2*-1)=2 로 재계산된다. 발생값의 최소값은 0이고, 최대값은 10 이 된다.In the operation mode, the learning system delivers one of green tea, coffee, and juice according to the class corridor, if the living environment satisfies the input conditions for tea delivery. The weight a is 2 and r is set to a real value between -1 and 1. If the robot delivers juice and the user is very positive, the new incidence value (O ') is recalculated as 1+ (1 * 2) = 3, and if the robot delivers green tea and the user is very negative, The occurrence value O 'is recalculated as 4+ (2 * -1) = 2. The minimum value of the generated value is 0 and the maximum value is 10.

한편, 단계 S503에서 동일 입력에 대한 복수의 출력이 존재하지 않고, 입력에 대한 하나의 출력이 존재하면(S508) 퍼지규칙을 적용하여 로봇시스템 또는 각종 가전기기를 제어한다(S509). 단계 S508에서 입력값에 대한 출력값이 존재하지 않으면 단계 S502로 되돌아간다.On the other hand, if a plurality of outputs for the same input does not exist in step S503, and there is one output for the input (S508) to apply a fuzzy rule to control the robot system or various home appliances (S509). If there is no output value for the input value in step S508, the flow returns to step S502.

이상에서 본 발명에 대한 기술 사상을 첨부 도면과 함께 서술하였지만, 이는 본 발명의 가장 양호한 일 실시예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한, 이 기술 분야의 통상의 지식을 가진 자이면 누구나 본 발명의 기술 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.Although the technical spirit of the present invention has been described above with reference to the accompanying drawings, it is intended to exemplarily describe the best embodiment of the present invention, but not to limit the present invention. In addition, it is obvious that any person skilled in the art may make various modifications and imitations without departing from the scope of the technical idea of the present invention.

이상과 같이 본 발명에 따르면 사용자의 행동패턴에 기반하여 주거 공간의 학습제어시스템을 구현할 수 있기 때문에, 어느 정도의 학습 기간이 지난 후에는 사용자의 의도를 파악하여 최적화된 환경과 여러 가지 서비스를 제공해 줄 수 있는 잇점이 있다. As described above, according to the present invention, since the learning control system of the living space can be implemented based on the user's behavior pattern, after a certain learning period, the user's intention is understood to provide an optimized environment and various services. There are advantages to be given.

예컨대, 아침에 날이 밝으면 실내의 조도에 따라 무조건 조명을 켜는 것이 아니라 블라인드와 창문을 열거나, 적절한 시간대에 아침식사나 신문 등을 배달해 주고, 원하는 텔레비전 프로그램을 시청할 수 있도록 해주는 등, 주거 공간의 여러 환경의 각종 가전기기와 로봇시스템을 자동 제어할 수 있다.

For example, if the day is bright in the morning, instead of turning on the lights according to the interior lighting, open the blinds and windows, deliver breakfast or newspapers at the appropriate time, and watch the television program you want. It can automatically control various home appliances and robot systems in various environments.

Claims

주거 환경을 감지하는 각종 감지부, 사용자에 의해 조작되는 각종 가전기기 및 로봇시스템과 연결되어, 상기 각종 가전기기 및 로봇시스템이 조작될 때 상기 각종 감지부로부터 주거환경 정보를 입력받아 사용자의 의도를 학습하는 학습시스템에서의 지능형 주거 공간의 학습방법에 있어서,It is connected to various sensing units for sensing the living environment and various home appliances and robot systems operated by the user, and receives the living environment information from the various sensing units when the various home appliances and the robot system are operated. In the learning method of intelligent residential space in the learning system to learn,

상기 신규 에피소드에서 새롭게 관측된 신규 행위에 대한 퍼지규칙과 퍼지소속함수를 생성하고, 상기 기학습된 지식과 중복된 행위에 대한 퍼지규칙과 퍼지소속함수를 갱신하여, 상기 기학습된 지식을 갱신하는 제 5 단계를 포함한 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.Generating a fuzzy rule and a fuzzy belonging function for the newly observed new behavior in the new episode, updating the fuzzy rules and a fuzzy belonging function for the duplicated act learned knowledge, and updating the previously learned knowledge Learning method of intelligent residential space based on user behavior pattern comprising the fifth step.

각종 가전기기 및 로봇시스템이 조작될 때 상기 각종 감지부로부터 주거환경 정보를 입력받아 사용자의 의도를 학습하는 학습모드와, 상기 각종 감지부로부터 입력되는 주거환경 입력값에 해당되는 퍼지규칙을 상기 각종 가전기기 및 로봇시스템에게 적용하는 동작 및 재학습모드로 동작하는 학습시스템에서의 지능형 주거 공간의 학습방법에 있어서,When the various home appliances and robot systems are operated, the learning mode for receiving the living environment information from the various sensing units to learn the user's intention, and the fuzzy rules corresponding to the living environment input values input from the various sensing units. In the learning method of intelligent residential space in the learning system operating in the operation and re-learning mode applied to home appliances and robot systems,

상기 동작 및 재학습모드는, 상기 각종 감지부의 주거환경 입력값을 이용하여 퍼지규칙을 검색하는 제 6 단계와; 상기 주거환경 입력값에 해당하는 복수의 퍼지규칙이 존재하면 상기 복수의 퍼지규칙이 발생한 횟수(발생값)를 이용하여 선택한 하나의 퍼지규칙을 상기 각종 가전기기 또는 로봇시스템에게 적용하는 제 7 단 계와; 사용자의 반응을 감지하여 상기 사용자의 반응에 따른 보상값 및 가중치를 이용하여 상기 제 7 단계에서 적용한 퍼지규칙의 발생값을 갱신하는 제 8 단계를 포함한 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.The operation and relearning mode may include a sixth step of searching for a fuzzy rule by using input values of the living environment of the various sensing units; A seventh step of applying one selected fuzzy rule to the various home appliances or robot systems by using the number of occurrences of the plurality of fuzzy rules when the plurality of fuzzy rules corresponding to the living environment input value exist; Wow; And an eighth step of detecting the user's response and updating the generated value of the fuzzy rule applied in the seventh step by using the compensation value and the weight according to the user's response. Learning method.

제 1 항 또는 제 2 항에 있어서, 상기 제 4 단계는,The method of claim 1 or 2, wherein the fourth step,

상기 신규 에피소드에서의 사용자 행위 내용과 상기 기학습된 지식의 사용자 행위 내용을 비교하여, 행위 내용과 행위 순서가 동일하면 상기 기학습된 지식과 중복된 행위로 구분하고, 행위 내용 또는 행위 순서가 동일하지 않으면 신규 행위로 구분하는 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.Compare the contents of the user's behavior in the new episode with the contents of the user's behavior of the pre-learned knowledge, and if the contents of the behavior and the sequence of the behavior are the same, the contents are classified into duplicates of the previously learned knowledge, and the contents of the behavior or the behavior are the same If not, the learning method of intelligent residential space based on user behavior pattern characterized in that it is classified as a new behavior.

제 1 항 또는 제 2 항에 있어서, 상기 제 5 단계의 상기 기학습된 지식과 중복된 행위에 대한 퍼지규칙과 퍼지소속함수를 갱신하는 단계는,The method according to claim 1 or 2, wherein the updating of the fuzzy rules and the fuzzy belonging function for the acts overlapped with the previously learned knowledge of the fifth step comprises:

상기학습된 지식을 결정하는 데 사용된 에피소드의 개수인 반복도값을 이용하여 상기 퍼지소속함수의 중심값과 폭, 및 퍼지규칙을 갱신하는 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.Learning method of intelligent residential space based on user behavior pattern, characterized by updating the center value, width, and fuzzy rules of the fuzzy belonging function by using the repetition value which is the number of episodes used to determine the learned knowledge .

제 4 항에 있어서,The method of claim 4, wherein

상기 퍼지소속함수의 중심값은 아래의 수식과 같이 조정되는 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.The center value of the fuzzy belonging function is adjusted as shown in the equation below.

여기서, N은 반복도, V_updated는 갱신된 퍼지소속함수의 중심값, V_NEW는 현 에피소드에서의 주거환경 입력값, V_previous는 기학습된 지식의 퍼지소속함수의 중심값이다.Where N is the repeatability, V _updated is the central value of the updated fuzzy belonging function, V _NEW is the living environment input value in the current episode, and V _previous is the central value of the fuzzy belonging function of learned knowledge.

제 5 항에 있어서,The method of claim 5, wherein

상기 반복도(N)가 임계값 이상이 되면 상기 퍼지소속함수의 중심값은 아래의 수식과 같이 조정되는 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.When the repeatability (N) is greater than or equal to a threshold value, the center value of the fuzzy belonging function is adjusted as shown in the following equation, the user behavior pattern based learning method of intelligent residential space.

여기서, N_max는 반복도의 임계값, V_updated는 갱신된 퍼지소속함수의 중심값, V_NEW는 현 에피소드에서의 주거환경 입력값, V_previous는 기학습된 지식의 퍼지소속함수의 중심값이다.Where N _max is the threshold of repeatability, V _updated is the center of the updated fuzzy-proportional function, V _NEW is the living environment input in the current episode, and V _previous is the central value of the fuzzy-social function of _pre -learned knowledge. .

제 4 항에 있어서,The method of claim 4, wherein

상기 퍼지소속함수의 폭을 결정하는 가표준편차는 아래의 수식과 같이 조정 되는 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.The provisional standard deviation for determining the width of the fuzzy belonging function is adjusted as shown in the following equation.

여기서, N은 반복도, V_updated는 갱신된 퍼지소속함수의 중심값, V_NEW는 현 에피소드에서의 주거환경 입력값,

는 새로운 가표준편차,

는 기학습된 지식의 퍼지소속함수의 가표준편차이다.Where N is the repeatability, V _updated is the center of the updated fuzzy-proportional function, V _NEW is the living environment input value in the current episode,

Is the new standard deviation,

제 7 항에 있어서,The method of claim 7, wherein

상기 반복도(N)가 임계값 이상이 되면 상기 퍼지소속함수의 폭을 결정하는 가표준편차는 아래의 수식과 같이 조정되는 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.When the repeatability (N) is greater than or equal to a threshold value, the provisional standard deviation for determining the width of the fuzzy belonging function is adjusted as shown in the following equation.

여기서, N_max는 반복도의 임계값, V_updated는 갱신된 퍼지소속함수의 중심값, V_NEW는 현 에피소드에서의 주거환경 입력값,

는 새로운 가표준편차,

는 기학습된 지식의 퍼지소속함수의 가표준편차이다.Where N _max is the threshold of repeatability, V _updated is the center of the updated fuzzy-proportional function, V _NEW is the living environment input value in the current episode,

Is the new standard deviation,

주거환경을 감지하는 각종 감지부, 사용자의 행위 패턴을 기반으로 학습된 퍼지규칙과 퍼지소속함수를 저장하는 데이터베이스, 사용자에게 서비스를 제공하는 각종 가전기기 및 로봇시스템과 연결되어, 상기 각종 감지부로부터 입력되는 주거환경 입력값으로 상기 데이터베이스를 검색하여 해당되는 퍼지규칙을 상기 각종 가전기기 및 로봇시스템에게 적용하는 학습시스템에서의 지능형 주거 공간의 학습방법에 있어서,Various sensing units for sensing the living environment, a database storing fuzzy rules and fuzzy belonging functions learned based on user's behavior patterns, connected to various home appliances and robot systems that provide services to users, In the learning method of the intelligent residential space in the learning system for applying the fuzzy rules to the various home appliances and robot systems by searching the database with the input of the living environment input value,

사용자의 반응을 감지하여 상기 사용자의 반응에 따른 보상값 및 가중치를 이용하여 상기 제 2 단계에서 적용한 퍼지규칙의 발생값을 갱신하는 제 3 단계를 포함한 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.Detecting a user's response and updating the generated value of the fuzzy rule applied in the second step by using the compensation value and the weight according to the user's response. Learning method.

제 9 항에 있어서, 사용자의 부정 또는 긍정 반응에 따른 보상값(r)은 -k 내지 +k 사이의 실수이고, 가중치가 a이면, 상기 제 2 단계에서 적용한 퍼지규칙의 갱신된 발생값(O')은 '갱신전 발생값(O) + a*r'인 것을 특징으로 하는 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법.10. The method of claim 9, wherein the compensation value (r) according to the negative or positive response of the user is a real number between -k and + k, and if the weight is a, the updated occurrence value (O) of the fuzzy rule applied in the second step. ') Is a learning method of intelligent residential space based on user behavior pattern, characterized in that' pre-update occurrence value (O) + a * r '.