KR102635535B1

KR102635535B1 - 인공 지능 장치 및 그의 동작 방법

Info

Publication number: KR102635535B1
Application number: KR1020190140408A
Authority: KR
Inventors: 윤에스더
Original assignee: 엘지전자 주식회사
Priority date: 2019-11-05
Filing date: 2019-11-05
Publication date: 2024-02-13
Also published as: KR20210054352A; US20210133561A1

Abstract

본 개시의 실시 예에 따른 인공 지능 장치는 날씨 정보 및 미세 먼지 정보 세트에 기초하여, 공기 청정기가 위치한 공간에서, 시간의 흐름에 따른 미세 먼지 상태의 변화를 나타내는 미세 먼지 흐름 정보를 획득하고, 획득된 미세 먼지 흐름 정보에 기초하여, 공기 청정기의 동작 시점을 결정하고, 결정된 동작 시점에 동작을 요청하는 알림을 상기 통신 인터페이스를 통해 상기 공기 청정기로 전송할 수 있다.

Description

인공 지능 장치 및 그의 동작 방법 {ARTIFICIAL INTELLIGENCE DEVICE AND OPERATING METHOD THEREOF}

본 발명은 미세 먼지 흐름을 파악할 수 있는 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.

최근에는, 실내의 공기 청정을 위해, 공기 청정기가 많이 사용되고 있다.

특히, 댁 내의 공기 청정기는 거실 또는 안방에 배치된다.

종래에는 주로, 사용자가 미세 먼지 상태가 좋지 않은 경우를 파악하고, 미세 먼지 상태가 좋지 않은 상태에서, 공기 청정기를 동작시켰다.

그러나, 공기 청정기를 동작하는 시점에는 이미 미세 먼지의 오염도가 높은 상태에서 동작하므로, 미세 먼지의 오염도가 낮아지기 전까지는 사용자의 호흡에 좋지 않은 영향을 끼치는 문제가 있었다.

본 개시는 주변의 날씨 및 미세 먼지 상태를 고려하여, 미세 먼지 상태가 좋지 않기 전에 미리, 공기 청정기를 동작시킬 수 있는 인공 지능 장치의 제공을 목적으로 한다.

본 개시는 미세 먼지 농도의 흐름을 예측하여, 공기 청정기의 동작 시점을 결정할 수 있는 인공 지능 장치의 제공을 목적으로 한다.

본 개시의 인공 지능 장치는 날씨 정보 및 미세 먼지 정보 세트에 기초하여, 공기 청정기가 위치한 공간에서, 시간의 흐름에 따른 미세 먼지 상태의 변화를 나타내는 미세 먼지 흐름 정보를 획득하고, 획득된 미세 먼지 흐름 정보에 기초하여, 공기 청정기의 동작 시점을 결정하고, 결정된 동작 시점에 동작을 요청하는 알림을 상기 통신 인터페이스를 통해 상기 공기 청정기로 전송할 수 있다.

본 개시의 실시 예에 따른 인공 지능 장치는 일정 시간 후, 상기 미세 먼지 상태가 나쁨 상태로 변경될 것으로 예측한 경우, 상기 일정 시간 보다 앞선 시점을 상기 공기 청정기의 동작 시점으로 결정할 수 있다.

본 개시의 실시 예에 따르면, 미세 먼지 상태가 좋지 않기 전에, 미리 공기 청정기를 가동하여, 공기 청정기가 위치한 공간의 대기질 상태가 최적으로 유지될 수 있다.

본 개시의 실시 예에 따르면, 공기 청정기의 선 동작으로 인해, 대기질 상태가 최적화되어, 사용자의 호흡 건강을 보호할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 5는 본 개시의 실시 예에 따른 시스템의 동작 방법을 설명하는 래더 다이어그램이다.
도 6은 본 개시의 실시 예에 따른 시스템의 구성을 설명하는 도면이다.
도 7 및 도 8은 본 개시의 실시 예에 따라, 날씨 정보 및 미세 먼지 정보 세트에 기초하여, 미세 먼지 흐름 정보를 획득하는 과정을 설명하는 도면이다.
도 9는 본 개시의 실시 예에 따라 인공 지능 장치가 공기 청정기의 동작 시점에 대한 정보를 포함하는 알림을 출력하는 예를 설명하는 도면이다.
도 10은 본 개시의 또 다른 실시 예에 따른 시스템의 동작 방법을 설명하는 래더 다이어그램이다.
도 11은 본 개시의 실시 예에 따른 공기질 상태 예측 모델을 설명하는 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 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 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<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 개시의 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 개시의 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 개시의 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. 예컨대, 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 개시의 또 다른 실시 예에 따른 인공 지능 장치를 나타낸다.

도 1과 중복되는 설명은 생략한다.

도 4를 참조하면, 로봇 청소기(500)는 도 1의 구성 요소에 비해, 주행 구동부(160)과 청소부(190)를 더 포함할 수 있다.

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, 로봇 청소기(500)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 로봇 청소기(500)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 로봇 청소기(500)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 로봇 청소기(500)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 로봇 청소기(500)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, 로봇 청소기(500)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 로봇 청소기(500)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 로봇 청소기(500)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 개시의 실시 예에 따른 시스템의 동작 방법을 설명하는 래더 다이어그램이다.

본 개시의 실시 예에 따른 시스템은 인공 지능 장치(100), AI 서버(200), 공기 청정기(500)를 포함할 수 있다.

공기 청정기(500)는 빌딩이나, 집 등과 같은 건물에 위치할 수 있다.

공기 청정기(500)는 도 4에 도시된 구성 요소들을 모두 포함할 수 있다.

공기 청정기(500)는 공기 청정 기능을 구비한 에어컨으로 대체될 수 있다.

또한, 이하에서, 도 2의 통신부(210) 및 도 4의 통신부(110) 각각은 통신 인터페이스로 명명될 수 있다.

도 5를 참조하면, AI 서버(200)의 프로세서(260)는 통신부(210)를 통해 주변에 존재하는 복수의 외부 공기 청정기들로부터 미세 먼지 정보 세트를 수신한다(S501).

복수의 외부 공기 청정기들 각각은 공기 청정기(500)와 동일한 지역에 위치할 수 있다.

일 실시 예에 따르면, 외부 공기 청정기 대신, 미세 먼지를 측정할 수 있는 미세 먼지 센서, 다른 가전 기기로부터, 미세 먼지 정보를 수신할 수도 있다.

복수의 외부 공기 청정기들 각각은 공기 청정기(500)로부터 일정 거리 내에 위치할 수 있다. 일정 거리는 공기 청정기(500)의 위치를 기준으로, 반경 1km 일 수 있으나, 이는 예시에 불과한 수치이다.

본 개시에서는 외부 공기 청정기가 복수 개 존재하는 경우를 가정하여 설명하나, 이는 예시에 불과하고, 하나의 외부 공기 청정기로부터, 미세 먼지 정보를 수신할 수도 있다.

미세 먼지 정보 세트는 복수의 외부 공기 청정기들 각각으로부터 수신된 미세 먼지 정보를 포함할 수 있다.

예를 들어, 미세 먼지 정보 세트는 제1 외부 공기 청정기로부터 수신된 제1 미세 먼지 정보, 제2 외부 공기 청정기로부터 수신된 제2 미세 먼지 정보, 제3 외부 공기 청정기로부터 수신된 제3 미세 먼지 정보를 포함할 수 있다.

미세 먼지 정보는 각 외부 공기 청정기가 측정한 미세 먼지 농도를 포함할 수 있다.

미세 먼지 농도는 초 미세 먼지의 농도로 대체될 수 있다.

각 외부 공기 청정기는 실시간 또는 주기적으로, 미세 먼지 농도를 측정하고, 측정된 미세 먼지 농도를 AI 서버(200)에 전송할 수 있다.

인공 지능 장치(100)에는 댁 내, 공기를 관리하는 기능을 수행하는 공기 청정 어플리케이션이 설치될 수 있다.

인공 지능 장치(100)는 공기 청정 어플리케이션에 등록된 공기 청정기(500)의 위치를 기반으로, 일정 거리 내에 있는 복수의 외부 공기 청정기들에 대한 정보를 획득할 수 있다.

각 외부 공기 청정기에 대한 정보는 외부 공기 청정기의 위치, 외부 공기 청정기를 식별하는 식별 정보 중 하나 이상을 포함할 수 있다.

인공 지능 장치(100)는 복수의 외부 공기 청정기들에 대한 정보를 AI 서버(200)에 전송할 수 있다.

AI 서버(200)는 인공 지능 장치(100)로부터 수신된 복수의 외부 공기 청정기들에 대한 정보를 이용하여, 각 외부 공기 청정기에 미세 먼지 정보를 요청할 수 있고, 요청에 대한 응답으로, 미세 먼지 정보를 각 외부 공기 청정기로부터 수신할 수 있다.

AI 서버(200)의 프로세서(260)는 날씨 정보 및 수신된 미세 먼지 정보 세트에 기초하여, 미세 먼지 흐름 정보를 획득한다(S503).

프로세서(260)는 날씨 정보를 획득할 수 있다.

프로세서(260)는 자체적으로 또는 외부 서버로부터, 날씨 정보를 획득할 수 있다.

프로세서(260)는 API(Application Programming Interface)를 통해 날씨 정보를 획득할 수 있다.

날씨 정보는 공기 청정기(500)가 위치한 지역에서 측정된 풍향, 풍속, 온도, 습도 중 하나 이상을 포함할 수 있다.

프로세서(260)는 날씨 정보 및 복수의 외부 공기 청정기들로부터 수신한 미세 먼지 정보 세트에 기초하여, 미세 먼지 흐름 정보를 예측할 수 있다.

미세 먼지 흐름 정보는 공기 청정기(500)가 위치한 곳의 미세 먼지 농도의 흐름을 나타내는 정보일 수 있다.

구체적으로, 미세 먼지 흐름 정보는 미세 먼지의 시간당 농도 변화를 포함할 수 있다.

미세 먼지 흐름 정보는 공기 청정기(500)가 위치한 곳에서, 예측된 미세 먼지의 시간당 농도 변화를 포함할 수 있다.

미세 먼지 흐름 정보는 공기 청정기(500)가 위치한 공간에서 시간의 흐름에 따라 미세 먼지 상태의 변화를 나타내는 정보를 포함할 수 있다.

구체적으로, 미세 먼지 흐름 정보는 일정 시간 후에, 공기 청정기(500)가 위치한 공간에서, 미세 먼지 상태가 좋음 상태 또는 보통 상태에서 나쁨 상태로 변경됨을 나타내는 정보를 포함할 수 있다.

AI 서버(200)의 프로세서(260)는 미세 먼지 흐름 정보에 기초하여, 공기 청정기(500)의 동작 시점을 결정한다(S505).

프로세서(260)는 미세 먼지 흐름 정보를 이용하여, 공기 청정기(500)가 공기 청정을 수행해야 할 동작 시점을 결정할 수 있다.

이에 대해서는 구체적으로, 후술한다.

AI 서버(200)의 프로세서(260)는 결정된 동작 시점에 기초하여, 공기 청정기(500)의 동작이 필요한 상황인지를 판단한다(S507).

프로세서(260)는 미세 먼지 흐름 정보에 기초하여, 일정 시간 후, 공기 청정기(500)가 위치한 곳의 미세 먼지 상태가 나쁨 상태로 변경될 것으로 예측된 경우, 공기 청정기(500)의 동작이 필요한 상황으로 판단할 수 있다.

미세 먼지 상태는 좋음 상태, 보통 상태 및 나쁨 상태를 포함할 수 있다.

각 상태는 미세 먼지 농도에 따라 구분될 수 있다.

예를 들어, 미세 먼지 농도가 제1 레벨 미만인 경우, 미세 먼지 상태는 좋음 상태일 수 있다.

미세 먼지 농도가 제1 레벨보다 큰 제2 레벨 미만이고, 제1 레벨 이상인 경우, 미세 먼지 상태는 보통 상태일 수 있다.

미세 먼지 농도가 제2 레벨 이상인 경우, 미세 먼지 상태는 나쁨 상태일 수 있다.

AI 서버(200)의 프로세서(260)는 공기 청정기(500)의 동작이 필요하다고 판단된 경우, 통신부(210)를 통해 인공 지능 장치(100)에 공기 청정기(500)의 동작을 요청하는 알림을 전송한다(S509).

예를 들어, 프로세서(260)는 공기 청정기(500)가 위치한 곳의 미세 먼지 상태가 일정 시간 후, 나쁨 상태로 변경될 것으로 예측된 경우, 공기 청정기(500)의 동작을 온 시키는 알림을 인공 지능 장치(100)에 전송할 수 있다.

프로세서(260)는

상기 알림에는 공기 청정기(500)의 동작을 온 시키는 온 명령, 공기 청정기(500)의 동작을 온 시키는 동작 시점을 포함할 수 있다.

인공 지능 장치(100)의 프로세서(180)는 AI 서버(200)로부터 수신된 알림을 통신부(110)를 통해 공기 청정기(500)에 전달한다(S511).

일 예에서, 인공 지능 장치(100)는 AI 서버(200)로부터 수신된 알림을 별도의 사용자 입력 없이, 자동으로 공기 청정기(500)에 전송할 수 있다.

또 다른 예로, 인공 지능 장치(100)의 프로세서(180)는 사용자 입력을 수신하고, 수신된 사용자 입력에 따라 공기 청정기(500)에 알림을 전송할 수 있다.

공기 청정기(500)는 인공 지능 장치(100)로부터 수신된 알림에 따라 동작 시점에 공기 청정 작업을 수행한다(S513).

공기 청정기(500)는 수신된 알림에 포함된 동작 시점에 기초하여, 공기 청정 기능을 수행할 수 있다.

공기 청정기(500)는 수신된 알림에 포함된 동작 시점이 미래의 시간인 경우, 해당 동작 시점에 자동으로 공기 청정 기능을 수행하도록 동작 예약을 설정할 수 있다.

이와 같이, 본 개시의 실시 예에 따르면, 공기 청정기(500)와 같은 지역에 존재하는 외부 공기 청정기들에 의해 측정된 미세 먼지 정보에 기반하여, 공기 청정의 필요 시점이 예측될 수 있다.

이에 따라, 공기 청정기(500)를 통해 공기 청정 기능으로 인해, 공기 청정기(500)가 위치한 공간 내의 미세 먼지 상태가 항상 최적화될 수 있다.

도 6은 본 개시의 실시 예에 따른 시스템의 구성을 설명하는 도면이다.

도 6을 참조하면, 시스템은 복수의 외부 공기 청정기들(601 내지 605), 외부 서버(600), AI 서버(200), 인공 지능 장치(100) 및 공기 청정기(500)를 포함할 수 있다.

복수의 외부 공기 청정기들(601 내지 605) 각각은 공기 청정기(500)가 위치하는 A 지역에 존재할 수 있다.

인공 지능 장치(100)에 설치된 공기 청정 어플리케이션을 통해 공기 청정기(500)의 위치가 등록된 경우, 각 외부 공기 청정기는 공기 청정기(500)의 위치로부터, 일정 반경 내 위치할 수 있다.

AI 서버(200)는 제1 외부 공기 청정기(601)로부터, 제1 미세 먼지 정보를 수신하고, 제2 외부 공기 청정기(603)로부터, 제2 미세 먼지 정보를 수신하고, 제3 외부 공기 청정기(605)로부터, 제3 미세 먼지 정보를 수신할 수 있다.

AI 서버(200)는 외부 서버(600)로부터 수신된 날씨 정보 및 미세 먼지 정보 세트에 기초하여, 미세 먼지 흐름 정보를 획득할 수 있다.

도 7 및 도 8은 본 개시의 실시 예에 따라, 날씨 정보 및 미세 먼지 정보 세트에 기초하여, 미세 먼지 흐름 정보를 획득하는 과정을 설명하는 도면이다.

도 7 및 도 8을 참조하면, 공기 청정기(500)와 동일한 지역(A) 내에 위치한 복수의 외부 공기 청정기들(601 내지 605)가 도시되어 있다.

복수의 외부 공기 청정기들(601 내지 605)과 공기 청청기(500) 간의 거리(d)는 50m임을 가정한다.

상기 거리(d)는 어느 한 지점(X)로부터 공기 청정기(500)까지의 거리이다. 어느 한 지점(X)은 지점(X)로부터 복수의 외부 공기 청정기들(601 내지 605) 각각 간의 거리(r)가 동일한 것이 기준이 될 수 있다.

도 7 및 도 8에서는 외부 공기 청정기가 3개임을 가정하여 설명하나, 이는 예시에 불과하다. 만약, 외부 공기 청정기가 1개만 등록된 경우, 외부 공기 청정기와 공기 청정기(500) 간의 거리가 d가 될 수 있다.

먼저, 도 7을 설명한다.

도 7에서, 날씨 정보에 포함된 풍속은 1m/s이고, 풍향은 남동풍이며, 미세 먼지의 평균 농도는 70임을 가정한다.

미세 먼지의 평균 농도는 제1 외부 공기 청정기(601)로부터 수신된 제1 미세 먼지 농도, 제2 외부 공기 청정기(603)로부터 수신된 제2 미세 먼지 농도 및 제3 외부 공기 청정기(605)로부터 수신된 제3 미세 먼지 농도의 평균 값일 수 있다.

AI 서버(200)는 풍속, 풍향 및 거리(d)에 기초하여, 공기 청정기(500)의 공기질 상태를 예측할 수 있다.

예를 들어, AI 서버(200)는 풍향 및 미세 먼지의 평균 농도가 지속적으로 유지되는 경우, 600m/1(m/s)=600s의 계산에 의해, 10분 후, 공기 청정기(500)가 위치한 곳의 미세 먼지 농도는 70인 것으로 결정할 수 있다.

즉, 미세 먼지 흐름 정보는 공기 청정기(500)가 위치한 공간에서, 특정 시간 후, 예상되는 미세 먼지 농도에 대한 정보를 포함할 수 있다.

현재 공기 청정기(500)가 위치한 공간에서 측정되는 미세 먼지 농도가 50이고, 미세 먼지의 나쁨 상태의 기준이 65 이상인 경우, AI 서버(200)는 10분 후, 공기 청정기(500)가 위치한 공간의 미세 먼지 농도가 50에서, 70으로 변경되어, 미세 먼지 상태가 나쁨 상태로 변경됨을 예측할 수 있다.

AI 서버(200)는 미세 먼지 흐름 정보에 의해, 일정 시간 후에, 공기 청정기(500)가 위치한 공간의 미세 먼지 농도가 나쁨 상태로 변경될 예정인 경우, 일정 시간 보다 앞선 시점을 공기 청정기(500)의 동작 시점으로 결정할 수 있다.

즉, AI 서버(200)는 현재 시점으로부터 10분 후에 공기 청정기(500)가 위치한 공간의 미세 먼지 상태가 나쁨 상태로 변경될 예정인 경우, 현재 시점으로부터 5분 후를 공기 청정기(500)의 동작 시점으로 결정할 수 있다.

이는, 공기 청정기(500)가 위치한 공간의 미세 먼지 상태가 나쁨 상태가 되기 전에 미리, 공기 청정 기능이 수행되도록 하여, 미세 먼지 상태가 나쁨 상태로 변경되지 않도록 하기 위함이다.

마찬가지로, 도 8을 설명한다.

도 8에서, 날씨 정보에 포함된 풍속은 10m/s이고, 풍향은 남동풍이며, 미세 먼지의 평균 농도는 70임을 가정한다.

예를 들어, AI 서버(200)는 풍향 및 미세 먼지의 평균 농도가 지속적으로 유지되는 경우, 600m/10(m/s)=60s의 계산에 의해, 1분 후, 공기 청정기(500)가 위치한 곳의 미세 먼지 농도는 70인 것으로 결정할 수 있다.

현재 공기 청정기(500)가 위치한 공간에서 측정되는 미세 먼지 농도가 50이고, 미세 먼지의 나쁨 상태의 기준이 65 이상인 경우, AI 서버(200)는 1분 후, 공기 청정기(500)가 위치한 공간의 미세 먼지 농도가 50에서, 70으로 변경되어, 미세 먼지 상태가 나쁨 상태로 변경됨을 예측할 수 있다.

AI 서버(200)는 현재 시점으로부터 1분 후에 공기 청정기(500)가 위치한 공간의 미세 먼지 상태가 나쁨 상태로 변경될 예정인 경우, 현재 시점을 공기 청정기(500)의 동작 시점으로 결정할 수 있다.

AI 서버(200)는 동작 시점에 대한 정보를 포함하는 알림을 인공 지능 장치(100)에 전송할 수 있다.

도 9는 본 개시의 실시 예에 따라 인공 지능 장치가 공기 청정기의 동작 시점에 대한 정보를 포함하는 알림을 출력하는 예를 설명하는 도면이다.

도 9를 참조하면, 인공 지능 장치(100)는 스마트 폰, 휴대폰과 같은 이동 단말기일 수 있다.

인공 지능 장치(100)는 공기 청정기(500)의 동작 시점, 미래의 미세 먼지 상태, 공기 청정기(500)의 동작을 온 시킴을 나타내는 텍스트를 포함하는 알림(900)을 디스플레이부(151) 상에 표시할 수 있다.

인공 지능 장치(100)는 푸쉬 알람 형태로, 알림(900)을 출력할 수 있다.

인공 지능 장치(100)는 동시에, 공기 청정기(500)의 공기 청정 기능을 5분 후, 수행하라는 예약 명령을 공기 청정기(500)에 전송할 수 있다.

공기 청정기(500)는 수신된 예약 명령에 따라, 10분 후, 공기 청정 기능을 온 시킬 수 있다.

이와 같이, 본 개시의 실시 예에 따르면, 동일한 지역의 미세 먼지 농도의 흐름을 정확히 파악하여, 공기 청정기(500)가 동작함에 따라, 미세 먼지 상태가 좋은 상태로 유지될 수 있다.

도 10은 본 개시의 또 다른 실시 예에 따른 시스템의 동작 방법을 설명하는 래더 다이어그램이다.

도 10을 참조하면, AI 서버(200)의 프로세서(260)는 통신부(210)를 통해 주변에 존재하는 복수의 외부 공기 청정기들로부터 미세 먼지 정보 세트를 수신한다(S1001).

이에 대한 설명은 단계 S501의 연관 설명으로 대체한다.

AI 서버(200)의 프로세서(260)는 통신부(210)를 통해 미세 먼지 정보 세트를 인공 지능 장치(100)에 전송한다(S1003).

프로세서(260)는 날씨 정보를 미세 먼지 정보 세트와 함께 인공 지능 장치(100)에 전송할 수 있다.

인공 지능 장치(100)의 프로세서(180)는 날씨 정보 및 미세 먼지 정보 세트에 기초하여, 미세 먼지 흐름 정보를 획득한다(S1005).

날씨 정보는 외부 서버로부터 수신하거나, AI 서버(200)로부터 획득될 수 있다.

인공 지능 장치(100)의 프로세서(180)는 미세 먼지 흐름 정보에 기초하여, 공기 청정기(500)의 동작 시점을 결정한다(S1007).

인공 지능 장치(100)의 프로세서(180)는 결정된 동작 시점에 기초하여, 공기 청정기(500)의 동작이 필요한 상황인지를 판단한다(S1009).

인공 지능 장치(100)의 프로세서(180)는 공기 청정기(500)의 동작이 필요하다고 판단된 경우, 통신부(210)를 통해 공기 청정기(500)에 공기 청정기(500)의 동작을 요청하는 알림을 전송한다(S1011).

공기 청정기(500)는 인공 지능 장치(100)로부터 수신된 알림에 따라 동작 시점에 공기 청정 작업을 수행한다(S1013).

이와 같이, 도 10의 실시 예에 따르면, 미세 먼지 흐름 정보를 획득하는 과정, 미세 먼지 흐름 정보에 기초하여, 공기 청정기(500)의 동작 시점을 결정하는 과정, 공기 청정기(500)의 동작이 필요한 상황인지를 판단하는 과정 등이, AI 서버(200)가 아닌, 인공 지능 장치(100) 상에서도 수행될 수 있다.

도 11은 본 개시의 실시 예에 따른 공기질 상태 예측 모델을 설명하는 도면이다.

공기질 상태 예측 모델(1100)은 날씨 정보 및 하나 이상의 외부 공기 청정기가 측정한 미세먼지 평균 농도를 이용하여, 공기 청정기(500)가 위치한 공간의 미세 먼지 상태가 나쁨 상태로 변경될 도래 시점을 추론하는 모델일 수 있다.

날씨 정보 및 미세먼지 평균 농도를 포함하는 용어는 지역 공기 상태 정보로 명명될 수 있다.

공기질 상태 예측 모델(1100)은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 지도 학습된 인공 신경망 기반의 모델일 수 있다.

공기질 상태 예측 모델(1100)은 AI 서버(200)의 러닝 프로세서(240) 또는 인공 지능 장치(100)의 러닝 프로세서(130)에 의해 학습될 수 있다.

공기질 상태 예측 모델(1100)이 AI 서버(200)에 의해 학습되는 경우, AI 서버(200)는 학습이 완료된 공기질 상태 예측 모델(1100)을 인공 지능 장치(100)에 전송할 수 있다.

공기질 상태 예측 모델(1100)의 지도 학습에 사용되는 학습용 트레이닝 세트는 복수의 외부 공기 청정기들 각각이 측정한 미세 먼지 농도들의 평균 농도, 날씨 정보 및 이에 레이블된 나쁨 상태로의 도래 시점일 수 있다.

즉, 레이블링 데이터로는 미세 먼지 상태 중 하나인 나쁨 상태로 도래할 도래 시점일 수 있다.

공기질 상태 예측 모델(1100)의 지도 학습을 위해, 공기 청정기(500)와 도 7 또는 도 8에 도시된 거리(d)는 고정되어 있음을 가정한다.

공기질 상태 예측 모델(1100)은 댁 내 위치하는 인공 지능 장치(100) 마다 따로, 학습되어, 생성될 수 있다.

공기질 상태 예측 모델(1100)은 지역 공기 상태 데이터를 입력 데이터로 이용하여, 특징점(또는, 출력 특징점)을 나타내는 나쁨 상태의 도래 시점을 추론하도록 학습된 인공 신경망으로 구성된 모델일 수 있다.

공기질 상태 예측 모델(1100)은 주어진 지역 공기 상태에 대한 정보로부터 라벨링된 나쁨 상태 도래 시점을 정확하게 추론하는 것을 목표로 학습될 수 있다.

공기질 상태 예측 모델(1100)의 손실 함수(loss function, cost function)는 각 학습 데이터에 상응하는 나쁨 상태의 도래 시점 대한 라벨과 각 학습 데이터로부터 추론된 나쁨 상태의 도래 시점 간의 차이의 제곱 평균으로 표현될 수 있다.

그리고, 공기질 상태 예측 모델(1100)은 학습을 통하여 비용 함수를 최소화하도록 인공 신경망에 포함된 모델 파라미터들이 결정될 수 있다.

즉, 공기질 상태 예측 모델(1100)은 학습용 지역 공기 상태 데이터와 그에 상응하는 라벨링된 나쁨 상태 도래 시점이 포함된 학습 데이터를 이용하여 지도 학습된 인공 신경망 모델이다.

학습용 지역 공기 상태 데이터에서 입력 특징 벡터가 추출되어, 입력되면, 나쁨 상태 도래 시점에 대한 결정 결과가 대상 특징 벡터로서 출력되고, 공기질 상태 예측 모델(1100)은 출력된 대상 특징 벡터와 라벨링된 도래 시점 간의 차이에 상응하는 손실 함수를 최소화하도록 학습되는 것일 수 있다.

전술한 본 개시는, 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.

Claims

인공 지능 장치에 있어서,
딥러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 지도 학습된 공기질 상태 예측 모델을 저장하는 메모리;
날씨 정보 및 특정 지역 내에 위치한 하나 이상의 외부 기기가 측정한 미세 먼지 농도를 포함하는 미세 먼지 정보 세트를 수신하는 통신 인터페이스; 및
상기 날씨 정보 및 상기 미세 먼지 정보 세트에 기초하여, 공기 청정기가 위치한 공간에서, 시간의 흐름에 따른 미세 먼지 상태의 변화를 나타내는 미세 먼지 흐름 정보를 획득하고, 획득된 미세 먼지 흐름 정보에 기초하여, 공기 청정기의 동작 시점을 결정하고, 결정된 동작 시점에 동작을 요청하는 알림을 상기 통신 인터페이스를 통해 상기 공기 청정기로 전송하는 프로세서를 포함하고,
상기 프로세서는
상기 공기 청정기가 위치한 공간의 미세 먼지 상태가 나쁨 상태로 변경될 시점을 예측하는 공기질 상태 예측 모델을 통해 상기 미세 먼지 흐름 정보를 획득하고,
상기 공기질 상태 예측 모델의 훈련 데이터 세트는
풍속 및 풍향을 포함하는 날씨 정보, 복수의 외부 기기들로부터 측정된 미세 먼지량의 평균 값 및 이에 레이블링된 나쁨 상태로 변경될 시점을 포함하는
인공 지능 장치.
제1항에 있어서,
상기 미세 먼지 흐름 정보는
일정 시간 후, 상기 공기 청정기가 위치한 공간의 미세 먼지 상태를 포함하는
인공 지능 장치.
제2항에 있어서,
상기 프로세서는
상기 일정 시간 후, 상기 미세 먼지 상태가 상기 나쁨 상태로 변경될 것으로 예측한 경우, 상기 일정 시간 보다 앞선 시점을 상기 공기 청정기의 동작 시점으로 결정하는
인공 지능 장치.
제1항에 있어서,
상기 날씨 정보는
상기 외부 기기 및 상기 공기 청정기가 위치한 영역의 풍향, 풍속을 포함하는
인공 지능 장치.
제1항에 있어서,
출력부를 더 포함하고,
상기 프로세서는 상기 알림을 상기 출력부를 통해 출력하고,
상기 알림은 상기 공기 청정기의 공기 청정 기능을 상기 동작 시점에 수행하도록 하는 예약 알림을 포함하는
인공 지능 장치.
삭제
삭제
인공 지능 장치의 동작 방법에 있어서,
날씨 정보 및 특정 지역 내에 위치한 하나 이상의 외부 기기가 측정한 미세 먼지 농도를 포함하는 미세 먼지 정보 세트를 수신하는 단계;
상기 날씨 정보 및 상기 미세 먼지 정보 세트에 기초하여, 공기 청정기가 위치한 공간에서, 시간의 흐름에 따른 미세 먼지 상태의 변화를 나타내는 미세 먼지 흐름 정보를 획득하는 단계;
획득된 미세 먼지 흐름 정보에 기초하여, 공기 청정기의 동작 시점을 결정하는 단계; 및
결정된 동작 시점에 동작을 요청하는 알림을 상기 공기 청정기로 전송하는 단계를 포함하고,
상기 획득하는 단계는
상기 공기 청정기가 위치한 공간의 미세 먼지 상태가 나쁨 상태로 변경될 시점을 예측하는 공기질 상태 예측 모델을 통해 상기 미세 먼지 흐름 정보를 획득하는 단계를 포함하고,
딥러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 지도 학습된 상기 공기질 상태 예측 모델의 훈련 데이터 세트는 풍속 및 풍향을 포함하는 날씨 정보, 복수의 외부 기기들로부터 측정된 미세 먼지량의 평균 값 및 이에 레이블링된 나쁨 상태로 변경될 시점을 포함하는
인공 지능 장치의 동작 방법.
제8항에 있어서,
상기 미세 먼지 흐름 정보는
일정 시간 후, 상기 공기 청정기가 위치한 공간의 미세 먼지 상태를 포함하는
인공 지능 장치의 동작 방법.
제9항에 있어서,
상기 동작 시점을 결정하는 단계는
상기 일정 시간 후, 상기 미세 먼지 상태가 상기 나쁨 상태로 변경될 것으로 예측한 경우, 상기 일정 시간 보다 앞선 시점을 상기 공기 청정기의 동작 시점으로 결정하는 단계를 포함하는
인공 지능 장치의 동작 방법.
제8항에 있어서,
상기 날씨 정보는
상기 외부 기기 및 상기 공기 청정기가 위치한 영역의 풍향, 풍속을 포함하는
인공 지능 장치의 동작 방법.
제8항에 있어서,
상기 알림을 출력부를 통해 출력하는 단계를 더 포함하고,
상기 알림은 상기 공기 청정기의 공기 청정 기능을 상기 동작 시점에 수행하도록 하는 예약 알림을 포함하는
인공 지능 장치의 동작 방법.
삭제
삭제