KR102623190B1 - 실내 공기 상태를 관리하는 인공 지능 장치 및 인공 지능 시스템 - Google Patents

Abstract

본 발명의 일 실시 예에 따른 인공 지능 장치는 디스플레이와 공기질 측정 기기로부터 수신된 실내 공기질 정보 및 상기 디스플레이를 통해 입력된 메타 정보를 인공 지능 서버에 전송하는 통신부 및 실외 공기질 정보, 상기 실내 공기질 정보 및 상기 메타 정보에 기초하여, 생성된 공기질 분석 리포트를 상기 인공 지능 서버로부터 상기 통신부를 통해 수신하고, 상기 수신된 공기질 분석 리포트를 상기 디스플레이 상에 표시하는 프로세서를 포함하고, 상기 공기질 분석 리포트는 상기 공기질 측정 기기가 측정한 측정 기간 동안, 실내 공기질 상태를 분석한 결과를 포함하는 제1 분석 리포트 및 상기 실내 공기질 상태에 따른 공기질 유형 및 상기 공기질 유형에 따른 미세먼지 관리를 위한 솔루션을 포함하는 제2 분석 리포트를 포함할 수 있다.

Description

실내 공기 상태를 관리하는 인공 지능 장치 및 인공 지능 시스템{ARTIFICIAL INTELLIGENCE DEVICE AND ARTIFICIAL INTELLIGENCE SYSTEM FOR CARING AIR STATE OF INDOOR}

본 발명은 실내 공기 상태를 관리하는 인공 지능 장치에 관한 것이다.

일반적으로 건물의 실내가 외부와 통풍이 잘되지 않은 상태에서 실내에서 사람이 장시간 활동하게 되면 CO2 및 미세먼지 증가로 인하여 실내가 쾌적한 상태를 유지하지 못하게 되므로 실내를 환기시켜주어야 한다.

이를 위해, 종래에는 사용자가 환기를 시키기 위해, 수동으로 에어컨이나, 공기 청정기의 동작을 오프한 후, 창문을 열었다.

또한, 최근에는 실내 공기질 상태를 측정하여, 제공해 주는 서비스가 등장하고 있다.

그러나, 종래에는 실내의 미세먼지 농도의 수치 및 농도의 수치에 따른 상태만을 보여주는 것에 그쳤다.

본 발명은 댁 내 공기질 상태에 대한 정보를 보다 구체적으로 제공하여, 실내 공기질을 케어할 수 있는 것을 목적으로 한다.

본 발명은 댁 내 공기질의 상태를 개선시킬 수 있는 것을 목적으로 한다.

본 발명의 일 실시 예에 따른 인공 지능 장치는 실외 공기질 정보, 실내 공기질 정보 및 메타 정보에 기초하여, 생성된 공기질 분석 리포트를 표시하고, 상기 공기질 분석 리포트는 상기 공기질 측정 기기가 측정한 측정 기간 동안, 실내 공기질 상태를 분석한 결과를 포함하는 제1 분석 리포트 및 상기 실내 공기질 상태에 따른 공기질 유형 및 상기 공기질 유형에 따른 미세먼지 관리를 위한 솔루션을 포함하는 제2 분석 리포트를 포함할 수 있다.

본 발명의 또 다른 실시 예에 따른 인공 지능 시스템은 실내 공기질 정보를 측정하는 공기질 측정 기기와 메타 정보를 획득하는 인공 지능 장치 및 상기 공기질 측정 기기로부터, 상기 실내 공기질 정보를 수신하고, 상기 인공 지능 장치로부터 상기 메타 정보를 수신하고, 실외 공기질 정보, 상기 실내 공기질 정보 및 상기 메타 정보에 기초하여, 공기질 분석 리포트를 생성하고, 생성된 공기질 분석 리포트를 상기 인공 지능 장치에 전송하는 인공 지능 서버를 포함하고, 상기 공기질 분석 리포트는 상기 공기질 측정 기기가 측정한 측정 기간 동안, 실내 공기질 상태를 분석한 결과를 포함하는 제1 분석 리포트 및 상기 실내 공기질 상태에 따른 공기질 유형 및 상기 공기질 유형에 따른 미세먼지 관리를 위한 솔루션을 포함하는 제2 분석 리포트를 포함할 수 있다.

본 발명의 다양한 실시 예에 따르면, 사용자는 댁 내 공기질 상태에 대한 피드백 및 가이드를 제공받아, 공기질에 대한 적절한 대처를 수행할 수 있다.

이에 따라, 사용자의 댁 내 공기질의 상태가 좋아져, 사용자의 호흡기 건강이 최적화될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 또 다른 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 발명의 또 다른 실시 예에 따른 인공 지능 시스템의 예를 설명하는 도면이다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.
도 7a은 본 발명의 일 실시 예에 따른 공기질 상태 및 공기 청정기의 타입에 따라 공기 청정기의 동작 상태를 매핑한 테이블을 설명하는 도면이다.
도 7b 및 도 7b는 본 발명의 실시 예에 따른 미세먼지 알림 어플리케이션을 통해 이동 단말기와 공기 청정기 간의 연결 설정 및 운전 설정을 수행하는 인터페이스 화면을 설명하는 도면이다.
도 8은 본 발명의 또 다른 실시 예에 따른 인공 지능 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.
도 9 및 도 10은 본 발명의 실시 예에 따른 공기질 분석 리포트를 설명하는 도면이다.
도 11은 본 발명의 일 실시 예에 따른 복수의 공기질 유형들 각각에 상응하여, 제공되는 텍스트를 설명하는 도면이다.
도 12는 본 발명의 실시 예에 따른 공기질 분석 리포트를 제공하기 위해 필요한 고객의 메타 정보를 입력받는 과정을 나타내는 도면이다.
도 13은 본 발명의 실시 예에 따른 공기질 서비스 화면을 보여주는 도면이다.
도 14는 본 발명의 실시 예에 따르면 공기질에 따른 가이드를 매핑한 공기질 가이드 테이블을 설명하는 도면이다.
도 15a 및 도 15b는 본 발명의 실시 예에 따른 댁 내에서 측정된 온도 및 습도에 따른 가이드를 설명하는 도면이다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

도 1과 중복되는 설명은 생략한다.

도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

도 5는 본 발명의 또 다른 실시 예에 따른 인공 지능 시스템의 예를 설명하는 도면이다.

도 5를 참조하면, 본 발명의 또 다른 실시 예에 따른 인공 지능 시스템(5)은 AI 서버(100) 및 복수의 인공 지능 장치들(100-1 내지 100-5)를 포함할 수 있다.

제1 인공 지능 장치(100-1)는 공기 청정기(100-1)이고, 제2 인공 지능 장치(100-2)는 에어컨(100-2)이고, 제3 인공 지능 장치(100-3)는 음성 에이전트 기기(100-3)이고, 제4 인공 지능 장치(100-4)는 이동 단말기(100-4)이고, 제5 인공 지능 장치(100-5)는 공기질 측정 기기(100-5)일 수 있다.

공기질 측정 기기(100-5)는 먼지 센서, 온도 센서, 습도 센서 중 하나 이상을 포함할 수 있다.

공기질 측정 기기(100-5)는 댁 내의 PM10, PM2.5, PM1.0, 온도, 습도, 이산화탄소의 농도를 측정할 수 있다.

도 5에 도시된 제1 내지 제5 인공 지능 장치들(100-1 내지 100-5)은 댁 내에 구비될 수 있다.

제1 내지 제5 인공 지능 장치들(100-1 내지 100-5) 각각은 도 4에 도시된 구성 요소들을 모두 포함할 수 있다.

한편, 인공 지능 시스템(5)은 AI 서버(200)와 각 인공 지능 장치 간에는 중계 역할을 수행하는 IoT 서버(미도시)를 더 포함할 수 있다.

IoT 서버는 AI 서버(200)와 각 인공 지능 장치 간 통신을 중계할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.

AI 서버(200)의 프로세서(260)는 통신부(210)를 통해 공기 청정기(100-1)로부터, 실내 공기질 정보 및 공기 청정기(100-1)의 정보를 수신한다(S601).

실내 공기질 정보는 실내의 미세 먼지 농도, 실내의 초 미세 먼지의 농도, 실내의 이산화탄소의 농도 중 하나 이상을 포함할 수 있다.

초 미세 먼지의 농도는 휘발성 유기 화합물의 농도(Volatile Organic Compound, Voc)를 포함할 수 있다.

공기 청정기(100-1)의 센싱부(140)에 구비된 하나 이상의 먼지 센서는 공기 청정기(100-1)가 배치된 실내의 미세 먼지 농도, 초 미세 먼지 농도, 이산화탄소 농도를 측정할 수 있다.

공기 청정기(100-1)의 프로세서(180)는 주기적으로, 실내 공기질 정보를 AI 서버(200)에 전송할 수 있다. 주기는 1시간일 수 있으나, 이는 예시에 불과한 수치이다.

공기 청정기(100-1)의 정보는 공기 청정기(100-1)의 모델명, 공기 청정기(100-1)의 동작 정보, 공기 청정기(100-1)의 배치 위치 중 하나 이상을 포함할 수 있다.

공기 청정기(100-1)의 동작 정보는 공기 청정기(100-1)가 보유하고 있는 기능, 공기 청정기(100-1)가 수행 가능한 동작 모드들에 대한 정보를 포함할 수 있다.

본 발명의 또 다른 실시 예에 따르면, AI 서버(200)는 실내 공기질 정보는 미세먼지 알림 장치(100-5)로부터 수신할 수 있다. 공기질 측정 기기(100-5)는 먼지 센서를 구비할 수 있고, 먼지 센서를 통해 측정된 실내 공기질 정보를 AI 서버(200)에 전송할 수 있다.

AI 서버(200)의 프로세서(260)는 실내 공기질 정보 및 공기 청정기(100-1)의 정보에 기초하여, 공기 청정기(100-1)의 동작 상태를 결정한다(S603).

프로세서(260)는 실내 공기질 정보, 공기 청정기(100-1)의 모델명 및 공기 청정기(100-1)의 동작 정보에 기초하여, 공기 청정기(100-1)의 동작 상태를 결정할 수 있다.

구체적으로, 프로세서(260)는 실내의 초 미세먼지 농도 및 공기 청정기(100-1)의 타입에 따라 공기 청정기(100-1)의 동작 상태를 결정할 수 있다.

도 7a은 본 발명의 일 실시 예에 따른 공기질 상태 및 공기 청정기의 타입에 따라 공기 청정기의 동작 상태를 매핑한 테이블을 설명하는 도면이다.

도 7a에 도시된 테이블은 AI 서버(200)의 메모리(230)에 저장되어 있을 수 있다.

공기질 상태들은 좋음 상태, 보통 상태, 나쁨 상태, 최악 상태(매우 나쁨)를 포함할 수 있다.

예를 들어, 좋음 상태는 초 미세 먼지의 농도가 제1 레벨 미만인 상태이고, 보통 상태는 초 미세 먼지의 농도가 제1 레벨 보다 크고, 제2 레벨 미만인 상태이고, 나쁨 상태는 초 미세 먼지의 농도가 제2 레벨 보다 크고, 제3 레벨 미만인 상태이고, 최악 상태는 초 미세 먼지의 농도가 제3 레벨 보다 큰 상태일 수 있다. 제3 레벨은 제2 레벨보다 크고, 제2 레벨은 제1 레벨 보다 큰 수치를 가질 수 있다.

공기 청정기(100-1)의 타입은 공기 청정기(100-1)의 모델명에 따라 분류될 수 있다.

도 7a에서는, 지름이 2.5μm 이하(PM 2.5)인 초 미세 먼지 또는 지름이 1μm 이하(PM 1.0)인 초 미세 먼지의 농도를 기준으로, 공기질 상태를 측정한 결과를 보여준다.

도 6의 공기 청정기(100-1)의 모델명이 몽블랑 D인 경우를 가정한다.

프로세서(260)는 실내의 공기질 상태가 나쁨 상태인 경우, 공기 청정기(100-1)의 운전 모드를 클린부스터 모드로, 풍량을 강풍으로 결정할 수 있다.

프로세서(260)는 실내의 공기질 상태가 매우 나쁨 상태인 경우, 공기 청정기(100-1)의 운전 모드를 클린부스터 모드로, 결정하고, 좌우 회전을 온 시키고, 풍량을 파워풍으로 결정할 수 있다. 파워 풍의 풍량은 강풍의 풍량보다 더 클 수 있다.

프로세서(260)는 공기 청정기(100-1)의 동작 상태를 결정하기 위해, 공기 청정기(100-1)로부터 수신된 동작 정보를 이용할 수 있다.

다시, 도 6을 설명한다.

AI 서버(200)의 프로세서(260)는 결정된 동작 상태로의 동작을 요청하는 명령을 통신부(210)를 통해 공기 청정기(100-1)로 전송한다(S605).

동작 상태는 공기 청정기(100-1)의 운전 모드, 공기 청정기(100-1)의 상하 회전 또는 좌우 회전의 온 여부, 설정 풍량을 포함할 수 있다.

공기 청정기(100-1)의 프로세서(180)는 AI 서버(200)로부터 수신된 명령에 상응하는 동작 상태로 공기 청정기(100-1)의 동작을 설정한다(607).

즉, 공기 청정기(100-1)의 프로세서(180)는 수신된 명령에 포함된 공기 청정기(100-1)의 운전 모드, 회전 방향, 풍량에 따라 자신의 동작 상태를 설정할 수 있다.

그 후, 공기 청정기(100-1)의 프로세서(180)는 일정 기간 동안, 실내 공기질 상태를 획득한다(609).

공기 청정기(100-1)의 프로세서(180)는 센싱부(140)에 구비된 먼지 센서를 통해 미세 먼지의 농도, 초 미세 먼지의 농도, 이산화탄소의 농도 중 하나 이상을 획득할 수 있다.

공기 청정기(100-1)의 프로세서(180)는 획득된 실내 공기질 상태에 기반하여, 실내 공기질 상태가 좋음 상태인지를 판단한다(S611).

프로세서(180)는 실내에서 측정된 초 미세 먼지의 농도가 제1 레벨 미만인 경우, 실내 공기질 상태를 좋음 상태로 판단할 수 있다.

공기 청정기(100-1)의 프로세서(180)는 실내 공기질 상태가 좋음 상태인 경우, AI 서버(200)로부터 명령을 수신하기 전 동작 상태로, 자신의 동작을 설정한다(S613).

프로세서(180)는 AI 서버(200)로부터 동작 상태를 포함하는 명령을 수신하기 전, 동작 상태를 메모리(170)에 저장하고 있을 수 있다.

예를 들어, AI 서버(200)로부터 명령을 수신하기 전의 동작 모드가 오토 모드였고, 프로세서(180)는 실내 공기질 상태가 좋음 상태로 변경된 경우, 공기 청정기(100-1)의 동작 모드를 오토 모드로 재 설정할 수 있다.

이와 같이, 본 발명의 실시 예에 따르면, 실내의 공기질 정보 및 공기 청정기(100-1)의 타입에 따라 자동으로 공기 청정기(100-1)의 적합한 동작 상태가 결정되어, 사용자의 편의성이 크게 향상될 수 있다.

도 7b 및 도 7b는 본 발명의 실시 예에 따른 미세먼지 알림 어플리케이션을 통해 이동 단말기와 공기 청정기 간의 연결 설정 및 운전 설정을 수행하는 인터페이스 화면을 설명하는 도면이다.

미세먼지 알림 어플리케이션은 이동 단말기(100-4)에 설치될 수 있다. 미세먼지 알림 어플리케이션은 댁 내 구비된 공기 청정기(100-1) 및 에어컨(100-2)의 연결 설정, 실내외의 미세먼지에 대한 정보, 미세먼지 관리에 대한 정보를 제공하기 위한 어플리케이션일 수 있다.

도 7b는 이동 단말기(100-4)와 공기 청정기(100-1) 간 연결 설정을 위한 연결 설정 화면(710)을 보여준다.

연결 설정 화면(710)은 공기질 상태 항목(711), 알림 설정 항목(713) 및 기기 연결 설정 항목(715)을 포함할 수 있다.

공기질 상태 항목(711)은 공기 청정기(100-1)에 구비된 먼지 센서를 통해 측정된 공기질 상태, AI 서버(200)로부터 수신된 실외 공기질 상태를 포함할 수 있다.

알림 설정 항목(713)은 미세먼지의 상태가 나쁨 상태 또는 초 미세먼지의 상태가 나쁨 상태가 된 경우, 알림을 제공할지 여부를 설정하는 항목일 수 있다.

기기 연결 설정 항목(715)은 실내 공기질 상태가 나쁨 상태가 되면, 이동 단말기(100-4)와 연결된 가전 기기(예를 들어, 공기 청정기(100-1)가 운전될 수 있음을 알리는 알림을 제공할지 여부를 설정하는 항목일 수 있다.

다음으로, 도 7c를 설명한다.

도 7c는 공기 청정기(100-1)의 운전 설정을 위한 운전 설정 화면(730)을 보여준다.

운전 설정 화면(730)은 실내 공기 단계 설정 항목(731), 자동 운전 설정 항목(733) 및 저장 항목(735)을 포함할 수 있다.

실내 공기 단계 설정 항목(731)은 실내 공기질 상태를 설정하기 위한 항목일 수 있다. 실내의 공기질 상태는 보통 상태, 나쁨 상태, 매우 나쁨 상태를 포함할 수 있다.

자동 운전 설정 항목(733)은 설정된 공기질 상태에 도달하면, 공기 청정기(100-1)를 자동으로 운전을 온 또는 오프시킬지 여부를 설정하기 위한 항목일 수 있다.

만약, 자동 운전 설정 항목(733)에서, 공기 청정기(100-1)가 자동으로 운전을 온 시키는 것으로 설정된 경우, 공기 청정기(100-1)는 도 7a의 테이블에 의해 정해진 동작 상태로 운전할 수 있다.

저장 항목(735)은 실내 공기 단계 설정 항목(731), 자동 운전 설정 항목(733) 각각에서 설정된 사항을 저장하기 위한 항목일 수 있다.

도 8은 본 발명의 또 다른 실시 예에 따른 인공 지능 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.

특히, 도 8은 AI 서버(200)로부터 분석된 실내 공기질의 분석 결과를 이동 단말기(100-4)를 통해 제공하는 실시 예이다.

AI 서버(200)의 프로세서(260)는 실외 공기질 정보를 획득한다(801).

AI 서버(200)는 날씨 정보를 제공하는 외부 서버로부터 실외 공기질 정보를 통신부(210)를 통해 수신할 수 있다.

AI 서버(200)의 프로세서(260)는 통신부(210)를 통해 이동 단말기(100-4)로부터 실내 공기질 정보 및 사용자 정보를 수신한다(S803).

실내 공기질 정보는 공기 청정기(100-1), 에어컨(100-2) 및 공기질 측정 기기(100-5) 중 어느 하나에 의해 측정될 수 있다.

이동 단말기(100-4)의 프로세서(180)는 공기 청정기(100-1), 에어컨(100-2) 및 공기질 측정 기기(100-5) 중 어느 하나로부터 실내 공기질 정보를 수신할 수 있고, 수신된 실내 공기질 정보를 AI 서버(200)에 전달할 수 있다.

실내 공기질 정보는 실내의 미세먼지 농도, 초 미세먼지의 농도, 실내의 온도, 습도, 이산화탄소의 농도 중 하나 이상을 포함할 수 있다.

실내 공기질 정보는 복수의 실내 공간들 각각에 배치된 복수의 공기질 측정 기기들 각각에서 측정된 미세먼지 농도 및 초 미세먼지 농도 중 하나 이상을 포함할 수 있다. 복수의 실내 공간들은 거실, 주방, 안방과 같이, 댁 내 분리된 공간일 수 있다.

또 다른 예로, 실내 공기질 정보는 공기질 측정 기기(100-5)가 직접 AI 서버(200)에 전송할 수도 있다.

사용자 정보는 메타 정보일 수 있다. 메타 정보는 사용자 인적 정보 및 사용자가 거주하는 집에 대한 정보 중 하나 이상을 포함할 수 있다.

메타 정보는 사용자의 거주 타입, 사용자의 집이 도로변에 위치하는지, 도로 내측에 위치하는지 여부, 공기질 측정 기기(100-5)의 설치 위치 등을 포함할 수 있다.

AI 서버(200)의 프로세서(260)는 실외 공기질 정보, 실내 공기질 정보 및 사용자 정보에 기반하여, 실내 공기질을 분석한다(S805).

AI 서버(200)의 프로세서(260)는 분석 결과에 따른 공기질 분석 리포트를 생성하고(S807), 생성된 공기질 분석 리포트를 통신부(210)를 통해 이동 단말기(100-4)에 전송한다(S809).

공기질 분석 리포트는 일정 기간 동안 수집된 실외 공기질 정보, 실내 공기질 정보 및 사용자 정보에 기반하여, 실내 공기질의 구체적인 상태를 분석한 리포트일 수 있다.

공기질 분석 리포트에 대한 구체적인 설명은 후술한다.

이동 단말기(100-4)의 프로세서(180)는 디스플레이부(152)를 통해, 공기질 분석 리포트를 표시한다(S811).

도 9 및 도 10은 본 발명의 실시 예에 따른 공기질 분석 리포트를 설명하는 도면이다.

도 9 및 도 10 각각은 실내의 공기질의 분석 결과를 나타내는 제1 분석 리포트(900) 및 제2 분석 리포트(1000)를 보여주는 도면이다.

한편, 공기질 분석 리포트는 표지, 초 미세먼지에 대한 기초 내용 및 위험성에 대한 기사 내용 및 제1,2 분석 리포트(900, 1000)를 포함할 수 있다.

먼저, 도 9를 설명한다.

도 9를 참조하면, 제1 분석 리포트(900)는 실내 공기질 상태 측정 기간 항목(910), 일별 실내 공기질 상태 항목(920), 일별 초 미세먼지 농도 항목(930), 실내 공기질 분석 결과 항목(940), 요일별 초 미세먼지 농도 항목(950), 요일 분석 결과 항목(960), 시간대별, 초 미세먼지 농도 항목(970) 및 시간대별 분석 결과 항목(980) 중 하나 이상을 포함할 수 있다.

실내 공기질 상태 측정 기간 항목(910)은 댁 내 공기질 상태를 측정한 측정 기간을 나타내는 항목일 수 있다. 측정 기간은 공기질 측정 기기(100-5)가 댁내 설치된 시점부터, 회수된 시점까지의 기간일 수 있다. 또 다른 예로, 측정 기간은 이동 단말기(100-4)에 미세먼지 알림 어플리케이션이 설치된 날로부터, 실내 공기질의 측정이 종료된 시점까지의 기간일 수 있다.

미세먼지 알림 어플리케이션은 댁 내 미세먼지에 대한 정보를 제공하기 위한 어플리케이션일 수 있다.

일별 실내 공기질 상태 항목(920)은 공기질 상태에 따른 일수를 나타내는 항목일 수 있다. 공기실 상태들은 매우 나쁨 상태(최악 상태), 나쁨 상태, 보통 상태를 포함할 수 있다. 측정 기간이 42일인 경우, 매우 나쁨 상태로 분류된 일수는 9일, 나쁨 상태로 분류된 일수는 22일, 보통 상태로 분류된 일수는 11일일 수 있다.

일수 별 공기질 상태는 서로 다른 컬러로 표시될 수 있다.

실내에서 측정된 초 미세먼지 농도의 일 대표 값이 35㎍/㎥ 이하이면 보통 상태, 36~75 ㎍/㎥ 일 경우 나쁨 상태, 76 ㎍/㎥ 이상일 경우 매우 나쁨 상태로 분류될 수 있다.

실내 초 미세먼지 농도의 일 대표 값은 다음의 [수학식 1]로 표현될 수 있다.

[수학식 1]

{Max(시간당 실내 PM2.5 평균) + Min(시간당 실내 PM2.5 평균)} / 2

또 다른 예로, 실내 초 미세먼지 농도의 일 대표 값은 시간당 평균의 최대값일 수 있다.

일별 초 미세먼지 농도 항목(930)은 측정 기간을 구성하는 일별, 초 미세먼지 농도의 수치를 막대 그래프로 나타낸 항목일 수 있다.

일별 초 미세먼지 농도 항목(930)은 실내 및 실외의 초 미세먼지의 농도 수치 중 하나 이상을 포함할 수 있다.

실외의 초 미세먼지 농도의 대표 값은 실내의 초 미세먼지 농도의 대표 값의 계산 방식이 사용될 수 있다.

각 막대는 실내의 초 미세먼지 농도의 일 대표 값이 보통 상태에 속하면, 녹색으로, 나쁨 상태에 속하면, 주행색으로, 매우 나쁨 상태에 속하면, 빨간색으로 표시될 수 있다.

일별 초 미세먼지 농도 항목(930)은 매우 나쁨 상태와 나쁨 상태를 구분하는 기준이 되는 값인 75 ㎍/㎥를 나타내는 제1 기준선(931), 보통 상태와 나쁨 상태를 구분하는 기준이 되는 값인 35 ㎍/㎥를 나타내는 제2 기준선(933)을 포함할 수 있다.

일별 초 미세먼지 농도 항목(930)은 실외 초 미세먼지 농도가 35 ㎍/㎥ 이상이면서, 실외보다 실내의 초 미세먼지 농도가 더 높은 경우, 위험 상태를 나타내는 인디케이터(935)를 더 포함할 수 있다. 이는, 실내 공기질 상태가 나빠서, 환기가 필요하지만, 환기를 하더라도, 실외 공기질 상태가 좋지 않아, 창문을 열기보다는, 공기 청정기와 같은 미세먼지 관리 기기를 활용하는 것이 효과적임을 표현하려는 의도이다.

실내 공기질 분석 결과 항목(940)은 일별 초 미세먼지 농도 항목(930)에 대한 분석 결과를 텍스트로 제공하기 위한 항목일 수 있다.

요일별 초 미세먼지 농도 항목(950)은 측정 기간 동안 요일별 초 미세먼지 농도의 추이를 그래프 형태로 제공하기 위한 항목일 수 있다.

요일별 대표 값은 실내의 PM 2.5의 농도의 시간당 평균 값을 기준으로, 일대표값을 계산한 후, 요일별 평균 값을 통해 얻어질 수 있다.

요일별 초 미세먼지 농도 항목(950)은 매우 나쁨 상태와 나쁨 상태를 구분하는 기준이 되는 값인 75 ㎍/㎥를 나타내는 제3 기준선(951), 보통 상태와 나쁨 상태를 구분하는 기준이 되는 값인 35 ㎍/㎥를 나타내는 제4 기준선(953)을 포함할 수 있다.

요일 분석 결과 항목(960)은 요일별 초 미세먼지 농도 항목(950)의 분석 결과를 텍스트로 제공하기 위한 항목일 수 있다. 요일 분석 결과 항목(960)은 주중 및 주말의 분석 결과를 포함할 수 있다.

시간대별 초 미세먼지 농도 항목(970)은 측정 기간 동안 복수의 시간 구간들 각각에서, 실내의 공기질 상태를 보여주기 위한 항목일 수 있다.

예를 들어, 시간대별 초 미세먼지 농도 항목(970)은 4개의 시간 구간들로 구분지어, 실내의 공기질 상태를 보여줄 수 있다. 4개의 시간 구간들은 출근 준비 구간, 가사 일반 구간, 저녁 준비 구간, 취침 시간 구간을 포함할 수 있다.

이동 단말기(100-4)는 각 시간 구간의 대표 값을 다음의 수학식 2를 통해 계산할 수 있다.

[수학식 2]

{Max(각 시간 구간의 시간당 실내 PM2.5 평균) + Min(각 시간 구간의 시간당 실내PM2.5 평균)} / 2

위 실시 예에서, 시간 구간은 4개를 예를 들어 설명하였으나, 이는 예시에 불과하다.

시간대별 분석 결과 항목(980)은 시간대별 초 미세먼지 농도 항목(970)의 분석 결과를 텍스트 형태로 제공하기 위한 항목일 수 있다.

시간대별 분석 결과 항목(980)은 복수의 시간 구간들 각각에 대한 공기질 상태 및 미세먼지 관리를 위한 사용자 가이드를 포함할 수 있다.

한편, 본 발명의 또 다른 실시 예에 따르면, 제1 분석 리포트(900)를 구성하는 각 항목은 댁 내의 구분된 공간들 각각에 대해 제공될 수 있다.

예를 들어, 거실, 주방, 침실과 같이, 별개의 공간들 각각에 대해, 제1 분석 리포트(900)가 제공될 수도 있다. 이 경우, 거실, 주방, 침실 각각에는 초 미세먼지 농도를 측정하는 먼지 센서가 구비될 수 있다.

다음으로, 도 10을 설명한다.

도 10을 참조하면, 제2 분석 리포트(1000)는 제1 공기질 비교 항목(1010), 제2 공기질 비교 항목(1020), 공기질 비교 분석 항목(1030), 공기질 유형 항목(1040), 공기질 유형 분석 항목(1050), 솔루션 제안 항목(1060) 중 하나 이상을 포함할 수 있다.

제1 공기질 비교 항목(1010) 및 제2 공기질 비교 항목(1020)은 자신의 가정과, 다른 가정 간의 공기질 상태를 비교하기 위한 항목들이다.

제1 공기질 비교 항목(1010) 및 제2 공기질 비교 항목(1020)은 미세먼지 알림 어플리케이션을 통해 기 입력된 메타 정보에 기반하여, 생성될 수 있다.

메타 정보는 사용자의 주거 타입(아파트인지 주택인지), 주거 위치(도로변인지, 도로 내측인지)를 포함할 수 있다.

이동 단말기(100-4)는 입력된 메타 정보와 동일한 메타 정보를 갖는 가정의 공기질 상태를 AI 서버(200)로부터, 수신할 수 있다.

다른 가정과 자신의 가정 간의 공기질 상태의 비교를 위해서는 측정 기간 동안 자신의 가정의 실내 초 미세먼지 농도의 대표 값이 요구된다. 이에 대해서는, 도 9에서 설명한 바와 같이, 일 대표값이 먼저 계산될 수 있다. 그 후, 이동 단말기(100-4)는 일 대표 값의 합산 값을 측정 기간으로 나누어, 각 가정의 실내 초 미세먼지 농도의 대표 값을 획득할 수 있다.

한편, 아파트 타입의 다른 가정의 초 미세먼지 농도의 대표 값은 아파트 타입의 주거 타입에 거주하는 사용자들로부터 수집된 대표 값들의 평균 값일 수 있다.

도로와 먼 주거 위치에서 다른 가정의 초 미세먼지 농도의 대표 값은 해당 거주 위치에 거주하는 사용자들로부터 수집된 대표 값들의 평균 값일 수 있다.

제1,2 공기질 비교 항목(1010, 1020)에서 사용된 메타 정보는 예시에 불과하고, 아이가 있는 가정/아이가 없는 가정, 저층/중층/고층과 같이, 분석 타입을 다양하게 가져갈 수 있다.

제2 공기질 비교 항목(1020)에서 이웃집의 공기질 대표 값은 이웃집을 구성하는 복수의 공간들 각각에 대해 얻어질 수 있다. 복수의 공간들 각각에서 먼지 센서가 구비되어, 최초 먼지 센서가 설치된 위치를 기준으로, 초 미세먼지 농도가 측정될 수 있다.

공기질 비교 분석 항목(1030)은 메타 정보가 동일한 다른 가정과의 공기질 상태 비교 분석 결과를 텍스트로 제공하기 위한 항목이다.

초 미세먼지 농도의 대표 값이 이웃집보다 큰지 여부에 따라 텍스트의 내용은 달라질 수 있다.

공기질 유형 항목(1040)은 측정 기간 동안, 댁 내 공기질 상태와 실외 공기질 상태 간의 비교에 따라 댁내의 공기질 유형을 제공하기 위한 항목이다.

공기질 유형은 실내 공기질 상태와 실외 공기질 상태에 따라 4가지 유형으로 구분될 수 있다.

제1 공기질 유형은 실내 초 미세먼지 농도의 일 대표 값들의 평균 값(측정 기간 기준)이 35 ㎍/㎥를 초과하고, 실외 초 미세먼지 농도의 일 대표 값들의 평균 값이 35 ㎍/㎥를 초과하는 경우의 유형이다.

제2 공기질 유형은 실내 초 미세먼지 농도의 일 대표 값들의 평균 값(측정 기간 기준)이 35 ㎍/㎥를 초과하고, 실외 초 미세먼지 농도의 일 대표 값들의 평균 값이 35 ㎍/㎥ 이하인 경우의 유형이다.

제3 공기질 유형은 실내 초 미세먼지 농도의 일 대표 값들의 평균 값(측정 기간 기준)이 35 ㎍/㎥ 이하이고, 실외 초 미세먼지 농도의 일 대표 값들의 평균 값이 35 ㎍/㎥를 초과하는 경우의 유형이다.

제4 공기질 유형은 실내 초 미세먼지 농도의 일 대표 값들의 평균 값(측정 기간 기준)이 35 ㎍/㎥ 이하이고, 실외 초 미세먼지 농도의 일 대표 값들의 평균 값이 35 ㎍/㎥ 이하인 경우의 유형이다.

이동 단말기(100-4)는 실내외 초 미세먼지 농도의 평균 값에 따라, 복수의 공기질 유형들 중 어느 하나를 결정할 수 있다.

공기질 유형 분석 항목(1050)은 공기질 유형 항목(1040)의 상세 설명을 텍스트로 제공하기 위한 항목이다.

공기질 유형 분석 항목(1050)은 실제 결정된 공기질 유형 항목(1040)에 상응하는 텍스트를 포함할 수 있다. 이에 대해서는, 도 11을 참조하여 설명한다.

도 11은 본 발명의 일 실시 예에 따른 복수의 공기질 유형들 각각에 상응하여, 제공되는 텍스트를 설명하는 도면이다.

도 11을 참조하면, 4가지 공기질 유형들 각각에 상응하는 텍스트가 도시되어 있다.

이동 단말기(100-4)는 결정된 공기질 유형에 상응하는 텍스트를 공기질 유형 분석 항목(1050)을 통해 제공할 수 있다.

다시, 도 10을 설명한다.

솔루션 제안 항목(1060)은 결정된 공기질 유형에 맞는 미세먼지 관리 솔루션을 추천하기 위한 항목이다.

솔루션 제안 항목(1060)은 결정된 공기질 유형에 맞는 공기 청정기의 모델이나, 관련 가전 기기의 모델을 포함할 수 있다.

도 12는 본 발명의 실시 예에 따른 공기질 분석 리포트를 제공하기 위해 필요한 고객의 메타 정보를 입력받는 과정을 나타내는 도면이다.

도 12의 화면들 각각은 미세먼지 케어를 위한 매니저의 이동 단말기의 디스플레이를 통해 표시되는 인터페이스 화면이다.

도 12의 매니저 화면(1210)은 가정의 미세먼지를 관리해주는 매니저에게만 보이는 관리 화면일 수 있다.

매너지 화면(1210)을 통해 고객의 메타 정보를 관리하기 위한 항목이 선택된 경우, 메타 정보 입력 화면(1230)이 표시될 수 있다.

메타 정보 입력 화면(1230)은 매니저가 특정 고객의 메타 정보를 입력하기 위한 화면이다.

고객의 메타 정보는 먼지 센서 또는 공기 청정기의 설치일, 먼지 센서 또는 공기 청정기의 회수일, 고객의 거주 타입, 고객의 인적 사항, 먼지 센서 또는 공기 청정기의 설치 위치, 고객이 거주하는 곳이 도로변인지, 도로 내측인지 여부 등을 포함할 수 있다.

고객의 메타 정보는 도 9 및 도 10에서 설명된 공기질 분석 리포트를 제공하기 위해 사용될 수 있다.

도 13은 본 발명의 실시 예에 따른 공기질 서비스 화면을 보여주는 도면이다.

도 13의 공기질 서비스 화면은 공기질 분석 리포트의 다른 형태일 수 있다.

공기질 서비스 화면은 실외 공기질 정보(1310), 댁내의 특정 공간의 공기질 정보(1330) 및 공기질 관리 가이드(1350)를 포함할 수 있다.

실외 공기질 정보(1310)은 실외 공기질을 나타내는 정보를 포함할 수 있다.

댁내의 특정 공간의 공기질 정보(1330)는 특정 공간에서 측정된 공기질에 대한 정보를 포함할 수 있다. 특정 공간은 공기질 측정 기기(100-5)가 설치된 공간일 수 있다.

공기질 관리 가이드(1350)는 특정 공간의 공기질 정보(1330)에 맞는 공기질 관리를 위한 텍스트를 포함할 수 있다.

도 14는 본 발명의 실시 예에 따르면 공기질에 따른 가이드를 매핑한 공기질 가이드 테이블을 설명하는 도면이다.

도 14에 도시된 공기질 가이드 테이블(1400)은 AI 서버(200)의 메모리(230), 음성 에이전트 기기(100-3)의 메모리(170), 이동 단말기(100-4)의 메모리(170), 공기질 측정 기기(100-5)에 저장되어 있을 수 있다.

공기질 가이드 테이블은 실외의 공기질 상태 및 실내의 공기질 상태에 따른 가이드를 매핑시킨 테이블일 수 있다.

이동 단말기(100-4)의 프로세서(180)는 실외 공기질 상태 및 실내 공기질 상태가 파악된 경우, 이에 맞는 가이드를 공기질 가이드 테이블(1400)로부터 추출할 수 있다.

이동 단말기(100-4)의 프로세서(180)는 스피커를 통해, 추출된 가이드를 음성으로 출력할 수 있다.

이동 단말기(100-4)의 프로세서(180)는 텍스트 음성 변환 엔진을 이용하여, 텍스트 가이드를 음성으로 출력할 수 있다.

또 다른 예로, 음성 에이전트 기기(100-3) 또는 공기질 측정 기기(100-5) 또한, 실외 공기질 상태 및 실내 공기질 상태에 따른 가이드를 추출하고, 추출된 가이드를 음성으로 출력할 수 있다.

도 15a 및 도 15b는 본 발명의 실시 예에 따른 댁 내에서 측정된 온도 및 습도에 따른 가이드를 설명하는 도면이다.

댁 내의 온도 및 습도 각각은 공기 청정기(100-1), 에어컨(100-2), 공기질 측정 기기(100-5) 중 어느 하나에 구비된 온도 센서 및 습도 센서에 의해 측정될 수 있다.

도 15a를 참조하면, 습도 및 온도에 따른 쾌적 상태도(1510)가 도시되어 있다.

쾌적 상태도(1510)는 쾌적도에 따라 분류될 수 있다. 쾌적도는, 쾌적 상태, 약간 쾌적 상태, 온도 낮음 상태, 불쾌 건조 상태, 불쾌 다습 상태, 온도 높음 상태를 포함할 수 있다.

쾌적도를 나타내는 상태들 각각은 서로 다른 컬러로 구별될 수 있다.

이동 단말기(100-4)는 댁 내에서 측정된 온도 및 습도에 기반하여, 댁 내의 쾌적도를 결정할 수 있다. 이동 단말기(100-4)는 공기 청정기(100-1), 에어컨(100-2), 공기질 측정 기기(100-5) 중 어느 하나로부터, 온도 및 습도를 수신할 수 있다.

이동 단말기(100-4)는 결정된 쾌적도에 상응하는 가이드를 텍스트로 표시하거나, 음성으로 출력할 수 있다.

도 15b를 참조하면, 쾌적도에 따른 가이드를 나타내는 쾌적도 가이드(1530)가 도시되어 있다. 쾌적도 가이드(1530)는 메모리(170)에 저장될 수 있다.

이동 단말기(100-4)는 온도 및 습도에 따른 쾌적도를 결정하고, 결정된 쾌적도에 상응하는 가이드를 쾌적도 테이블(1530)로부터 추출할 수 있다.

이동 단말기(100-4)는 추출된 가이드를 텍스트로 표시하거나, 음성으로 출력할 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.

Claims (20)

1. 인공 지능 장치에 있어서,
   디스플레이;
   공기질 측정 기기로부터 수신된 실내 공기질 정보 및 상기 디스플레이를 통해 입력된 메타 정보를 인공 지능 서버에 전송하는 통신부; 및
   실외 공기질 정보, 상기 실내 공기질 정보 및 상기 메타 정보에 기초하여, 생성된 공기질 분석 리포트를 상기 인공 지능 서버로부터 상기 통신부를 통해 수신하고, 상기 수신된 공기질 분석 리포트를 상기 디스플레이 상에 표시하는 프로세서를 포함하고,
   상기 공기질 분석 리포트는
   상기 공기질 측정 기기가 측정한 측정 기간 동안, 실내 공기질 상태를 분석한 결과를 포함하는 제1 분석 리포트 및
   상기 실내 공기질 상태에 따른 공기질 유형 및 상기 공기질 유형에 따른 미세먼지 관리를 위한 솔루션을 포함하는 제2 분석 리포트를 포함하고,
   상기 메타 정보는
   사용자가 거주하는 집의 거주 타입, 사용자가 거주하는 집이 도로 변에 있는지 여부, 상기 공기질 측정 기기의 설치일 및 회수일자를 포함하는
   인공 지능 장치.
2. 제1항에 있어서,
   상기 제1 분석 리포트는
   공기질 상태에 따른 일수를 나타내는 일별 실내 공기질 상태 항목,
   상기 측정 기간 동안 일별, 초 미세먼지 농도의 수치를 그래프로 나타내는 일별 초 미세먼지 농도 항목,
   상기 측정 기간 동안, 요일별 상기 초 미세먼지 농도의 추이를 나타내는 요일별 초 미세먼지 농도 항목 및
   상기 측정 기간 동안, 복수의 시간 구간들 각각에서, 상기 실내 공기질 상태를 보여주는 시간대별 초 미세먼지 농도 항목 중 하나 이상을 포함하는
   인공 지능 장치.
3. 제2항에 있어서,
   상기 공기질 상태는
   보통 상태, 나쁨 상태 및 매우 나쁨 상태 중 어느 하나이고,
   상기 보통 상태는 상기 초 미세먼지 농도의 일 대표 값이 제1 값 미만인 경우의 상태이고, 상기 나쁨 상태는 상기 초 미세먼지 농도의 일 대표 값이 상기 제1 값보다 큰 제2 값 미만인 경우의 상태이고, 상기 매우 나쁨 상태는 상기 초 미세먼지 농도의 일 대표 값이 상기 제2 값 이상인 경우의 상태인
   인공 지능 장치.
4. 제3항에 있어서,
   상기 초 미세먼지 농도의 일 대표 값은
   다음의 [수학식 1]에 의해 계산되는
   [수학식 1]
   (Max(시간당 실내 PM2.5 평균) + Min(시간당 실내 PM2.5 평균))/2
   인공 지능 장치.
5. 제3항에 있어서,
   상기 복수의 시간 구간들 각각의 초 미세먼지의 대표 값은 다음의 [수학식 2]에 의해 계산되는
   [수학식 2]
   (Max(각 시간 구간의 시간당 실내 PM2.5 평균) + Min(각 시간 구간의 시간당 실내 PM2.5 평균)) / 2
   인공 지능 장치.
6. 제1항에 있어서,
   상기 제2 분석 리포트는
   상기 실내 공기질 상태 및 실외 공기질 상태 간의 비교에 따라 결정된 상기 공기질 유형을 제공하기 위한 공기질 유형 항목 및
   상기 결정된 공기질 유형에 맞는 공기 청정기의 모델을 포함하는 솔루션 제안 항목을 포함하는
   인공 지능 장치.
7. 제1항에 있어서,
   상기 실내 공기질 정보는
   댁 내에서 측정된 미세먼지 농도, 초 미세먼지 농도, 온도, 습도, 이산화탄소 농도 중 하나 이상을 포함하는
   인공 지능 장치.
8. 삭제
9. 제1항에 있어서,
   상기 실내 공기질 정보는
   복수의 실내 공간들 각각에 배치된 복수의 공기질 측정 기기들 각각에서 측정된 미세먼지 농도 및 초 미세먼지 농도 중 하나 이상을 포함하는
   인공 지능 장치.
10. 제6항에 있어서,
    상기 제2 분석 리포트는
    상기 실내 공기질 상태와 다른 가정의 실내 공기질 상태의 비교 결과를 포함하는 공기질 비교 항목을 더 포함하는
    인공 지능 장치.
11. 인공 지능 시스템에 있어서,
    실내 공기질 정보를 측정하는 공기질 측정 기기;
    메타 정보를 획득하는 인공 지능 장치; 및
    상기 공기질 측정 기기로부터, 상기 실내 공기질 정보를 수신하고, 상기 인공 지능 장치로부터 상기 메타 정보를 수신하고, 실외 공기질 정보, 상기 실내 공기질 정보 및 상기 메타 정보에 기초하여, 공기질 분석 리포트를 생성하고, 생성된 공기질 분석 리포트를 상기 인공 지능 장치에 전송하는 인공 지능 서버를 포함하고,
    상기 공기질 분석 리포트는
    상기 공기질 측정 기기가 측정한 측정 기간 동안, 실내 공기질 상태를 분석한 결과를 포함하는 제1 분석 리포트 및
    상기 실내 공기질 상태에 따른 공기질 유형 및 상기 공기질 유형에 따른 미세먼지 관리를 위한 솔루션을 포함하는 제2 분석 리포트를 포함하고,
    상기 메타 정보는
    사용자가 거주하는 집의 거주 타입, 사용자가 거주하는 집이 도로 변에 있는지 여부, 상기 공기질 측정 기기의 설치일 및 회수일자를 포함하는
    인공 지능 시스템.
12. 제11항에 있어서,
    상기 제1 분석 리포트는
    공기질 상태에 따른 일수를 나타내는 일별 실내 공기질 상태 항목,
    상기 측정 기간 동안 일별, 초 미세먼지 농도의 수치를 그래프로 나타내는 일별 초 미세먼지 농도 항목,
    상기 측정 기간 동안, 요일별 상기 초 미세먼지 농도의 추이를 나타내는 요일별 초 미세먼지 농도 항목 및
    상기 측정 기간 동안, 복수의 시간 구간들 각각에서, 상기 실내 공기질 상태를 보여주는 시간대별 초 미세먼지 농도 항목 중 하나 이상을 포함하는
    인공 지능 시스템.
13. 제12항에 있어서,
    상기 공기질 상태는
    보통 상태, 나쁨 상태 및 매우 나쁨 상태 중 어느 하나이고,
    상기 보통 상태는 상기 초 미세먼지 농도의 일 대표 값이 제1 값 미만인 경우의 상태이고, 상기 나쁨 상태는 상기 초 미세먼지 농도의 일 대표 값이 상기 제1 값보다 큰 제2 값 미만인 경우의 상태이고, 상기 매우 나쁨 상태는 상기 초 미세먼지 농도의 일 대표 값이 상기 제2 값 이상인 경우의 상태인
    인공 지능 시스템
14. 제13항에 있어서,
    상기 초 미세먼지 농도의 일 대표 값은
    다음의 [수학식 1]에 의해 계산되는
    [수학식 1]
    (Max(시간당 실내 PM2.5 평균) + Min(시간당 실내 PM2.5 평균))/2
    인공 지능 시스템
15. 제13항에 있어서,
    상기 복수의 시간 구간들 각각의 초 미세먼지의 대표 값은 다음의 [수학식 2]에 의해 계산되는
    [수학식 2]
    (Max(각 시간 구간의 시간당 실내 PM2.5 평균) + Min(각 시간 구간의 시간당 실내 PM2.5 평균)) / 2
    인공 지능 시스템
16. 제11항에 있어서,
    상기 제2 분석 리포트는
    상기 실내 공기질 상태 및 실외 공기질 상태 간의 비교에 따라 결정된 상기 공기질 유형을 제공하기 위한 공기질 유형 항목 및
    상기 결정된 공기질 유형에 맞는 공기 청정기의 모델을 포함하는 솔루션 제안 항목을 포함하는
    인공 지능 시스템.
17. 제11항에 있어서,
    상기 실내 공기질 정보는
    댁 내에서 측정된 미세먼지 농도, 초 미세먼지 농도, 온도, 습도, 이산화탄소 농도 중 하나 이상을 포함하는
    인공 지능 시스템.
18. 삭제
19. 제11항에 있어서,
    상기 실내 공기질 정보는
    복수의 실내 공간들 각각에 배치된 복수의 공기질 측정 기기들 각각에서 측정된 미세먼지 농도 및 초 미세먼지 농도 중 하나 이상을 포함하는
    인공 지능 시스템.
20. 제16항에 있어서,
    상기 제2 분석 리포트는
    상기 실내 공기질 상태와 다른 가정의 실내 공기질 상태의 비교 결과를 포함하는 공기질 비교 항목을 더 포함하는
    인공 지능 시스템.
    

Images