KR20190094311A - 인공 지능 로봇 및 그의 동작 방법 - Google Patents

인공 지능 로봇 및 그의 동작 방법 Download PDF

Info

Publication number
KR20190094311A
KR20190094311A KR1020190089822A KR20190089822A KR20190094311A KR 20190094311 A KR20190094311 A KR 20190094311A KR 1020190089822 A KR1020190089822 A KR 1020190089822A KR 20190089822 A KR20190089822 A KR 20190089822A KR 20190094311 A KR20190094311 A KR 20190094311A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
robot
image data
intention
information
Prior art date
Application number
KR1020190089822A
Other languages
English (en)
Inventor
채종훈
김범오
김태현
맹지찬
신원호
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20190094311A publication Critical patent/KR20190094311A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • B25J11/0085—Cleaning
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2805—Parameters or conditions being sensed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/003—Controls for manipulators by means of an audio-responsive input
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/006—Controls for manipulators by means of a wireless system for controlling one or several manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B25J19/023—Optical sensing devices including video camera means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0003—Home robots, i.e. small robots for domestic use
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/04—Automatic control of the travelling movement; Automatic obstacle detection
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/06—Control of the cleaning action for autonomous devices; Automatic detection of the surface condition before, during or after cleaning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

본 발명의 일 실시 예에 따른 인공 지능 로봇은 영상 데이터를 획득하는 카메라와 상기 영상 데이터로부터, 오브젝트를 인식하는데 사용되는 오브젝트 인식 모델을 저장하는 메모리 및 음성 명령어를 획득하고, 획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단하고, 상기 의도가 상기 오브젝트의 검색을 나타내는 경우, 주행 중 상기 오브젝트 인식 모델에 기반하여, 상기 영상 데이터로부터 오브젝트를 인식하고, 인식된 오브젝트가 상기 의도에 맞는 오브젝트인 경우, 오브젝트가 검색되었음을 알림을 출력하는 프로세서를 포함할 수 있다.

Description

인공 지능 로봇 및 그의 동작 방법{ARTIFICIAL INTELLIGENCE ROBOT AND OPERATING METHOD THEREOF}
본 발명은 인공 지능 로봇에 관한 것으로, 청소 수행 중 분실물을 검색할 수 있는 인공 지능 로봇에 관한 것이다.
일반적으로 청소기는 본체 내부에 장착되는 흡입 모터에 의하여 발생되는 흡입력을 이용하여, 먼지가 포함된 공기를 흡입한 다음, 본체 내부에서 먼지를 필터링하는 장치이다.
최근에는 사용자가 수동으로 청소기를 들고 다닐 필요없이, 자동으로 청소를 수행하는 로봇 청소기가 등장하였다.
로봇 청소기는 사용자의 조작 없이도 청소하고자 하는 구역 내를 스스로 주행하면서 바닥 면으로부터 먼지 등의 이물질을 흡입하여 자동으로 청소하는 기기이다.
종래의 로봇 청소기는 카메라를 통해 비교적 큰 오브젝트를 인식하여, 인식된 오브젝트를 회피하면서, 청소를 수행하였다.
그러나, 방치된 반지와 같이, 비교적 소형 물품에 대해서는 회피하지 않고, 흡입하거나, 흡입하지 못할 경우, 그냥 지나치게 되었다.
이에 따라, 로봇 청소기는 그 기능이 청소의 역할을 수행하는 것으로 한계가 있었다.
본 발명은 청소 수행 중, 사용자의 발화 명령어에 상응하는 오브젝트를 인식할 수 있는 인공 지능 로봇의 제공을 그 목적으로 한다.
본 발명은 사용자의 발화 명령어에 상응하는 오브젝트를 인식하고, 인식된 오브젝트의 위치를 파악하여, 사용자에게 제공할 수 있는 것을 그 목적으로 한다.
본 발명의 실시 예에 따른 인공 지능 로봇은 사용자의 음성 명령어의 의도에 맞는 오브젝트를 영상 데이터에 기반하여, 인식하고, 인식된 오브젝트의 위치를 출력할 수 있다.
본 발명의 실시 예에 따른 인공 지능 로봇은 사용자의 음성 명령어의 의도에 맞는 오브젝트의 위치를 포함하는 청소 지도를 사용자의 이동 단말기에 전송할 수 있다.
본 발명의 실시 예에 따르면, 사용자는 간단한 발화만으로, 찾고자 하는 오브젝트를 손쉽게 찾을 수 있어, 편의성이 향상된다.
본 발명의 실시 예에 따르면, 사용자는 자신이 찾고자 하는 오브젝트의 정확한 위치를 확인하여, 해당 위치에서, 오브젝트를 쉽게 찾을 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 일 실시 예에 따른 인공 지능 로봇의 동작 방법을 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 발명의 실시 예에 따라, 인공 지능 로봇이 사용자의 음성 명령어를 획득하는 과정을 설명하는 도면이다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 오브젝트 인식 모델의 학습 과정을 설명하는 도면이다.
도 10은 본 발명의 인공 지능 로봇이 획득한 오브젝트 식별 정보와, 청소 지도상 오브젝트의 위치 정보를 포함하는 테이블을 설명하는 도면이다.
도 11은 도 10에서 획득된 오브젝트의 위치를 청소 지도 상에 표시한 예를 설명하는 도면이다.
도 12 및 도 13은 본 발명의 실시 예에 따라, 사용자의 음성 명령어에 상응하는 오브젝트의 위치 정보를 사용자의 이동 단말기로 전송하는 과정을 설명하는 도면이다.
도 14는 본 발명의 실시 예에 따라, 사용자의 검색 의도에 맞는 오브젝트가 검색된 경우, 청소 경로를 재 생성하는 과정을 설명하는 도면이다.
도 15는 본 발명의 또 다른 실시 예에 따른 인공 지능 로봇의 동작 방법을 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 오브젝트에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 오브젝트에 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 일 실시 예에 따른 인공 지능 로봇의 동작 방법을 설명하기 위한 흐름도이다.
인공 지능 로봇(100-1)은 도 4의 구성 요소들을 포함한다.
도 5를 참조하면, 인공 지능 로봇(100-1)의 프로세서(180)는 음성 명령어를 획득한다(S501).
음성 명령어는 사용자가 발화한 명령어일 수 있다.
일 실시 예에서, 프로세서(180)는 사용자가 발화한 음성 명령어를 마이크로폰(122)을 통해 직접 획득할 수 있다.
또 다른 실시 예에서, 프로세서(180)는 사용자의 이동 단말기를 통해 음성 명령어를 획득할 수 있다. 구체적으로, 이동 단말기는 사용자의 음성 명령어를 획득하고, 획득된 음성 명령어를 인공 지능 로봇(100-1)에 전송할 수 있다.
이를 위해, 인공 지능 로봇(100-1)의 통신부(110)는 이동 단말기와 근거리 무선 통신을 수행할 수 있다. 즉, 통신부(110)는 와이파이, 블루투스 등과 같은 근거리 통신 규격을 따르는 근거리 통신 모듈을 구비할 수 있다.
프로세서(180)는 음성 명령어에 상응하는 음성 데이터를 획득할 수 있다.
도 6 및 도 7은 본 발명의 실시 예에 따라, 인공 지능 로봇이 사용자의 음성 명령어를 획득하는 과정을 설명하는 도면이다.
도 6은 인공 지능 로봇(100-1)이 사용자가 발화한 음성 명령어를 직접 획득하는 상황을 설명하는 도면이고, 도 7은 인공 지능 로봇이 이동 단말기로부터 음성 명령어를 수신하는 상황을 설명하는 도면이다.
도 6 및 도 7은 사용자가 <where is remote controller>이라는 음성을 발화한 것을 가정하여 설명한다.
도 6을 참조하면, 인공 지능 로봇(100-1)은 마이크로폰(미도시)를 통해 사용자의 음성 명령어를 수신할 수 있다.
도 7을 참조하면, 사용자의 이동 단말기(700)는 사용자가 발화한 음성 명령어를 수신하고, 수신된 음성 명령어를 인공 지능 로봇(100-1)에 전송할 수 있다.
이동 단말기(700)는 도 4의 구성 요소들을 모두 포함할 수 있다.
이동 단말기(700)는 음성 명령어의 의도를 직접 분석하고, 분석된 의도가 오브젝트 검색인 경우, 음성 명령어를 전송할 대상을 인공 지능 로봇(100-1)으로 결정할 수 있다.
다시, 도 5를 설명한다.
프로세서(180)는 획득된 음성 명령어의 의도를 분석하고, 분석 결과에 따라 음성 명령어의 의도가 오브젝트 검색인지를 판단한다(S503).
프로세서(180)는 음성 텍스트 변환 엔진을 이용하여, 음성 명령어에 상응하는 음성 데이터를 텍스트 데이터로 변환할 수 있다.
음성 텍스트 변환 엔진은 프로세서(180)에 포함될 수 있다.
프로세서(180)는 내부에 구비된 자연어 처리 엔진을 이용하여, 변환된 텍스트 데이터의 의도 분석을 수행할 수 있다.
프로세서(180)는 외부의 자연어 처리 서버에 음성 데이터를 전송하고, 자연어 처리 서버로부터, 음성 데이터의 의도 분석 결과를 수신할 수도 있다.
프로세서(180)는 음성 데이터의 의도 분석 결과에 기반하여, 음성 명령어의 의도가 오브젝트를 검색하기 위한 것인지를 판단할 수 있다.
프로세서(180)는 음성 명령어의 의도가 오브젝트 검색인 경우 , 음성 명령어의 의도에 상응하는 오브젝트 정보를 획득한다(S505).
오브젝트 정보는 오브젝트를 식별하는 오브젝트 식별 정보일 수 있다.
오브젝트 식별 정보는 오브젝트의 명칭 또는 오브젝트의 타입일 수 있다.
프로세서(180)는 청소 경로를 따라 청소 중 기 저장된 오브젝트 인식 모델에 기반하여 , 오브젝트를 인식한다(S507).
인공 지능 로봇(100-1)은 기 설정된 청소 경로를 따라 주행하면서, 청소를 수행할 수 있다.
오브젝트 인식 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 학습된 인공 신경망 모델일 수 있다.
오브젝트 인식 모델은 카메라(121)를 통해 획득된 영상 데이터로부터, 특정 오브젝트를 인식할 수 있는 모델일 수 있다.
일 실시 예에서, 오브젝트 인식 모델은 도 2의 AI 서버(200)로부터 수신하여, 메모리(170)에 저장될 수 있다.
또 다른 실시 예에서, 오브젝트 인식 모델은 도 4의 러닝 프로세서(130)에 의해 학습된 모델일 수 있다.
한편, 프로세서(180)는 오브젝트가 인식된 경우, 해당 오브젝트의 위치를 오브젝트 식별 정보와 메모리(170)에 저장할 수 있다. 해당 오브젝트의 위치는 인공 지능 로봇(100-1)이 저장하고 있는 청소 지도 상에서, 해당 오브젝트가 위치한 좌표를 포함할 수 있다.
오브젝트 인식 모델에 대해서는 도 8 및 도 9를 참조하여 설명한다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 오브젝트 인식 모델의 학습 과정을 설명하는 도면이다.
오브젝트 인식 모델(800)은 머신 러닝 알고리즘 또는 딥 러닝 알고리즘에 의해 학습된 인공 신경망 모델일 수 있다.
오브젝트 인식 모델(800)은 지도 학습을 통해 학습될 수 있다.
오브젝트 인식 모델(800)의 학습에 사용되는 학습 데이터는 영상 데이터 및 레이블링 데이터를 포함할 수 있다.
레이블링 데이터는 오브젝트 인식 모델(900)이 추론해야 하는 정답 데이터로, 영상 데이터에 레이블된 데이터일 수 있다. 레이블링 데이터는 오브젝트를 식별하는 오브젝트 식별 정보일 수 있다.
오브젝트 식별 정보는 오브젝트가 속하는 클래스를 식별하는 정보일 수 있다. 예를 들어, 오브젝트 식별 정보는 귀중품, 핸드폰, 리모컨과 같은 오브젝트의 타입을 나타내는 정보일 수 있다.
오브젝트 인식 모델(800)은 영상 데이터를 입력 데이터로 하여, 특징점을 나타내는 오브젝트 식별 정보를 추론하도록 학습된 모델일 수 있다.
오브젝트 인식 모델의 손실 함수(loss function, cost function)는 각 영상 데이터에 상응하는 오브젝트 식별 정보인 라벨과 추론된 오브젝트 식별 정보 간 차이의 제곱 평균으로 표현될 수 있다.
학습용 영상 데이터에서, 입력 특징 벡터가 추출되어, 오브젝트 인식 모델(800)에 입력되면, 오브젝트 식별 정보에 대한 결정 결과가 대상 특징 벡터로서, 출력될 수 있다.
이 경우, 오브젝트 인식 모델(800)은 출력된 대상 특징 벡터와 레이블링된 데이터의 차이에 상응하는 손실 함수를 최소화하도록 학습될 수 있다.
오브젝트 인식 모델(800)은 도 2의 AI 서버(200)에 의해 학습되어, 인공 지능 로봇(100-1)에 탑재될 수 있다. 즉, AI 서버(200)는 학습된 오브젝트 인식 모델(200)을 인공 지능 로봇(100-1)에 전송할 수 있다.
도 9를 참조하면, 오브젝트 인식 모델(800)의 오브젝트 식별 과정이 도시되어 있다.
먼저, 오브젝트 식별 과정은 데이터 증강 과정(910), 특징 추출 과정(930) 및 분류 과정(950)를 포함할 수 있다.
데이터 증강 과정(910)은 특정 오브젝트를 포함하는 영상 데이터의 수를 증가시키는 과정일 수 있다.
데이터 증강 과정(910)은 영상 데이터를 변형하고, 변형된 영상 데이터를 입력 데이터로 생성하는 과정일 수 있다. 데이터 증강 과정(910)은 영상 데이터의 픽셀을 변화시켜, 새로운 영상 데이터를 획득하는 과정일 수 있다.
데이터 증강 과정(910)은 영상 이미지의 좌우를 반전하거나, 랜덤하게 자르거나, 스케일링하여, 새로운 영상 데이터를 획득하는 과정일 수 있다.
특징 추출 과정(930)은 데이터 증강 과정(910) 후, 영상 데이터로부터 입력 특징 벡터를 추출하는 과정일 수 있다.
분류 과정(950)은 추출된 입력 특징 벡터로부터, 대상 특징 벡터를 획득하고, 획득된 대상 특징 벡터를 통해 영상 데이터에 상응하는 오브젝트의 타입을 결정하는 과정일 수 있다.
다시, 도 5를 설명한다.
프로세서(180)는 인식된 오브젝트가 획득된 오브젝트 정보에 매칭되는지를 판단한다(S509).
프로세서(180)는 인식된 오브젝트가 음성 명령어의 의도에 부합하는 오브젝트와 동일한지를 판단할 수 있다.
프로세서(180)는 오브젝트 인식 모델(800)을 통해 결정된 오브젝트 식별 정보가 음성 명령어에 상응하는 오브젝트와 일치하는지를 판단할 수 있다.
프로세서(180)는 인식된 오브젝트가 오브젝트 정보에 매칭된다고 판단한 경우, 오브젝트를 검색했음을 알리는 알림을 출력한다(S511).
일 실시 예에서, 프로세서(180)는 음성 명령어에 상응하는 오브젝트가 검색되었음을 알리는 알림을 음향 출력부(152)를 통해 출력할 수 있다.
프로세서(180)는 음성 명령어에 상응하는 오브젝트가 검색되었음을 알리는 알림을 통신부(110)를 통해 사용자의 이동 단말기로 전송할 수 있다. 이 경우, 알림은 오브젝트가 검색되었음을 나타내는 메시지 및 청소 지도 상에서, 검색된 오브젝트의 위치 정보 중 하나 이상을 포함할 수 있다.
오브젝트가 검색되었음을 나타내는 메시지 및 검색된 오브젝트의 위치 정보는 이동 단말기의 디스플레이 상에 표시될 수 있다.
사용자는 인공 지능 로봇(100-1)으로부터 수신된 알림을 통해, 분실한 오브젝트의 위치를 손쉽게 확인할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 인공 지능 로봇(100-1)은 청소 중 떨어진 오브젝트를 인식하여, 사용자가 찾고자 하는 오브젝트를 손쉽게 찾을 수 있도록 도와줄 수 있다.
도 10은 본 발명의 인공 지능 로봇이 획득한 오브젝트 식별 정보와, 청소 지도상 오브젝트의 위치 정보를 포함하는 테이블을 설명하는 도면이다.
도 10을 참조하면, 테이블(1000)은 인공 지능 로봇(100-1)이 청소 경로를 따라 주행 중, 검색된 오브젝트의 식별 정보 및 좌표가 도시되어 있다.
프로세서(180)는 청소 중 획득한 오브젝트 정보를 메모리(170)에 저장할 수 있다.
테이블(1000)은 제1 내지 제3 오브젝트에 대한 정보를 포함할 수 있다.
제1 오브젝트 정보는 제1 오브젝트의 식별 정보인 리모컨 및 리모컨의 청소 지도 상의 제1 좌표를 포함할 수 있다.
제2 오브젝트 정보는 제2 오브젝트의 식별 정보인 반지 및 반지의 청소 지도 상의 제2 좌표를 포함할 수 있다.
제3 오브젝트 정보는 제3 오브젝트의 식별 정보인 리모컨 및 리모컨의 청소 지도 상의 제3 좌표를 포함할 수 있다.
도 11은 도 10에서 획득된 오브젝트의 위치를 청소 지도 상에 표시한 예를 설명하는 도면이다.
도 11을 참조하면, 인공 지능 로봇(100-1)이 저장하고 있는 청소 구역에 대한 청소 지도(1100)가 도시되어 있다.
프로세서(180)는 동시적 위치 추정 및 맵 작성(Simultaneous Localization And Mapping, 이하, SLAM이라 함)에 따라 청소 구역에 대한 청소 지도(1100)를 작성하고, 작성된 청소 지도(1100)를 메모리(170)에 저장할 수 있다.
프로세서(180)는 청소 지도(1100) 상에, 청소 중 검색된 오브젝트의 좌표를 식별할 수 있다.
예를 들어, 프로세서(180)는 도 10에 도시된 제1 오브젝트의 좌표(1101), 제2 오브젝트의 좌표(1103) 및 제3 오브젝트의 좌표(1105) 각각을 청소 지도(1100) 상에 식별할 수 있다.
한편, 청소 지도(1100) 상의 오브젝트의 위치들 중, 사용자가 찾고자 하는 오브젝트에 대응하는 오브젝트의 위치는 사용자의 이동 단말기(700)로 전송될 수 있다.
도 12 및 도 13은 본 발명의 실시 예에 따라, 사용자의 음성 명령어에 상응하는 오브젝트의 위치 정보를 사용자의 이동 단말기로 전송하는 과정을 설명하는 도면이다.
먼저, 도 12를 참조하면, 프로세서(180)는 청소 지도(1100) 상의 제1 내지 제3 좌표들(1101, 1103, 1105) 중 사용자의 음성 명령어에 상응하는 오브젝트의 좌표를 추출할 수 있다.
사용자가 리모컨을 찾아달라는 음성 명령어를 발화한 경우, 프로세서(180)는 청소 지도(1100) 상에 리모컨의 위치에 대응하는 제1 좌표(1101) 및 제2 좌표(1103)를 추출할 수 있다.
프로세서(180)는 청소 지도(1100) 및 청소 지도(1100) 상에 식별된 제1 좌표(1101) 및 제2 좌표(1103)를 통신부(110)를 통해 이동 단말기(700)에 전송할 수 있다.
도 13을 참조하면, 이동 단말기(700)는 인공 지능 로봇(100-1)으로부터 수신된 리모컨의 위치에 대한 정보를 표시할 수 있다.
즉, 이동 단말기(700)는 인공 지능 로봇(100-1)이 리모컨을 검색했음을 알리는 메시지(1310) 및 리모컨의 위치들(1101, 1103)을 포함하는 청소 지도(1100)를 표시할 수 있다.
메시지(1310)는 사용자의 음성 명령어에 상응하는 오브젝트의 개수, 오브젝트의 명칭을 포함할 수 있다.
사용자는 청소 지도(1100) 상에 식별된 리모컨의 위치들(1101, 1103)을 통해, 자신이 찾고자 하는 오브젝트를 손쉽게 파악할 수 있다.
즉, 사용자는 자신이 찾고자 하는 오브젝트를 찾아달라는 발화만으로, 손쉽게 오브젝트의 위치를 확인할 수 있다. 이에 따라, 사용자는 오브젝트를 잃어버리더라도, 빠르게, 잃어버린 오브젝트를 찾아낼 수 있어, 편의성이 극대화될 수 있다.
한편, 인공 지능 로봇(100-1)은 사용자의 검색 의도에 맞는 오브젝트를 인식한 경우, 청소 경로를 보정할 수 있다.
도 14는 본 발명의 실시 예에 따라, 사용자의 검색 의도에 맞는 오브젝트가 검색된 경우, 청소 경로를 재 생성하는 과정을 설명하는 도면이다.
도 14를 참조하면, 청소 지도(1400) 상에, 인공 지능 로봇(100-1)이 주행해야 하는 경로를 나타내는 제1 청소 경로(1410)가 도시되어 있다.
인공 지능 로봇(100-1)은 제1 청소 경로(1410)를 따라, 주행 중, 사용자의 검색 명령어에 맞는 오브젝트를 검색하고, 검색된 오브젝트의 위치(1411)를 획득할 수 있다.
프로세서(180)는 검색된 오브젝트의 위치(1411)를 포함하는 그리드 영역(1420)이 제1 청소 경로(1410)에 포함된 경우, 청소 경로를 재 생성할 수 있다.
구체적으로, 프로세서(180)는 제1 청소 경로(1410) 상의 오브젝트의 위치를 포함하는 그리드 영역(1420)를 경로 상에서 제거할 수 있다.
그 후, 프로세서(180)는 그리드 영역(1420)을 제거한 후, 제1 청소 경로(1410)를 제2 청소 경로(1430)로 변경할 수 있다.
프로세서(180)는 변경된 제2 청소 경로(1430)에 따라 주행할 수 있다.
이에 따라, 인공 지능 로봇(100-1)은 사용자가 찾고자 하는 오브젝트를 흡입하지 않을 수 있다.
다음으로, 도 15를 설명한다.
도 15는 본 발명의 또 다른 실시 예에 따른 인공 지능 로봇의 동작 방법을 설명하는 도면이다.
도 15는 인공 지능 로봇(100-1)이 청소 경로를 따라 인식된 오브젝트들에 대한 정보를 저장하고, 청소를 완료한 후, 사용자의 음성 명령어에 맞는 오브젝트의 정보를 제공할 수 있는 실시 예이다.
이에 반해, 기존에 설명한 도 5는 인공 지능 로봇(100-1)이 청소 경로를 따라 청소를 수행하는 중, 사용자의 음성 명령어에 맞는 오브젝트의 정보를 제공할 수 있는 실시 예이다.
도 15에서, 도 5와 중복된 내용에 대해서는 설명을 생략한다.
프로세서(180)는 오브젝트 인식 모델에 기반하여 , 청소 수행 중, 인식된 오브젝트들에 대한 각 정보를 메모리(170)에 저장한다(S1501).
프로세서(180)는 청소 경로를 따라 주행 중, 카메라(121)를 통해 촬영된 이미지 및 오브젝트 인식 모델에 기반하여, 오브젝트의 타입을 결정할 수 있다.
프로세서(180)는 결정된 오브젝트의 타입에 상응하는 오브젝트의 식별 정보 및 인식된 오브젝트의 청소 지도 상의 위치 정보를 메모리(170)에 저장할 수 있다.
도 10의 테이블(1000)은 인공 지능 로봇(100-1)이 청소 경로를 따라 주행 중 획득된 각 오브젝트에 대한 정보를 보여준다.
그 후, 프로세서(180)는 음성 명령어를 획득한다(S1503).
프로세서(180)는 획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단한다(S1505).
프로세서(180)는 획득된 음성 명령어의 의도가 오브젝트의 검색인 경우 , 검색을 위한 오브젝트의 정보를 획득한다(S1507).
오브젝트의 정보는 오브젝트를 식별하기 위한 정보로, 오브젝트의 명칭 또는 오브젝트의 타입 중 하나 이상을 포함할 수 있다.
프로세서(180)는 음성 명령어에 상응하는 오브젝트 정보가 저장되어 있는지를 판단한다(S1509).
프로세서(180)는 획득된 오브젝트의 정보와 메모리(170)에 기 저장된 각 오브젝트의 정보를 비교할 수 있다.
프로세서(180)는 획득된 오브젝트의 식별 정보가 메모리(170)에 저장되어 있는 경우, 오브젝트를 검색했음을 알리는 알림을 출력한다(S1511).
이에 대한 알림의 출력은 도 13에서 설명한 바와 같다.
프로세서(180)는 획득된 오브젝트의 식별 정보가 메모리(170)에 저장되어 있지 않은 경우 , 오브젝트가 검색되지 않았음을 알리는 알림을 출력한다(S1513).
프로세서(180)는 사용자의 음성 명령어에 상응하는 오브젝트 정보가 메모리(170)에 저장되어 있지 않은 경우, 해당 오브젝트가 검색되어 있지 않음을 나타내는 알림을 음향 출력부(152)를 통해 출력할 수 있다.
또 다른 예로, 프로세서(180)는 사용자의 음성 명령어에 상응하는 오브젝트 정보가 메모리(170)에 저장되어 있지 않은 경우, 해당 오브젝트가 검색되어 있지 않음을 나타내는 알림을 사용자의 이동 단말기(700)로 전송할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 인공 지능 로봇(100-1)이 청소 중, 사용자가 분실한 오브젝트를 찾아줄 수 있어, 인공 지능 로봇(100-1)의 사용성이 다양해질 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 (13)

  1. 인공 지능 로봇에 있어서,
    영상 데이터를 획득하는 카메라;
    상기 영상 데이터로부터, 오브젝트를 인식하는데 사용되는 오브젝트 인식 모델을 저장하는 메모리; 및
    음성 명령어를 획득하고, 획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단하고, 상기 의도가 상기 오브젝트의 검색을 나타내는 경우, 주행 중 상기 오브젝트 인식 모델에 기반하여, 상기 영상 데이터로부터 오브젝트를 인식하고, 인식된 오브젝트가 상기 의도에 맞는 오브젝트인 경우, 오브젝트가 검색되었음을 알림을 출력하는 프로세서를 포함하는
    인공 지능 로봇.
  2. 제1항에 있어서,
    상기 프로세서는
    상기 의도에 맞는 오브젝트의 식별 정보를 획득하고,
    획득된 오브젝트의 식별 정보가 상기 인식된 오브젝트의 식별 정보와 매칭되는 경우, 상기 의도에 맞는 오브젝트가 검색된 것으로 판단하는
    인공 지능 로봇.
  3. 제2항에 있어서,
    상기 오브젝트의 식별 정보는
    상기 오브젝트의 명칭 또는 타입을 포함하는
    인공 지능 로봇.
  4. 제3항에 있어서,
    오디오를 출력하는 스피커를 더 포함하고,
    상기 프로세서는
    상기 알림을 스피커를 통해 출력하는
    인공 지능 로봇.
  5. 제1항에 있어서,
    이동 단말기와 무선으로 통신하는 근거리 무선 통신 모듈을 더 포함하고,
    상기 프로세서는
    상기 알림을 상기 근거리 무선 통신 모듈을 통해 상기 이동 단말기로 전송하고,
    상기 알림은
    상기 인공 지능 로봇의 청소 구역을 나타내는 청소 지도 상에서, 상기 인식된 오브젝트의 위치를 나타내는 위치 정보를 포함하는
    인공 지능 로봇.
  6. 제1항에 있어서,
    상기 오브젝트 인식 모델은
    딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 모델인
    인공 지능 로봇.
  7. 제6항에 있어서,
    상기 오브젝트 인식 모델은
    지도 학습을 통해 학습되며,
    학습용 영상 데이터 및 상기 학습용 영상 데이터에 레이블된 오브젝트 식별 데이터를 이용하여, 오브젝트의 식별 정보를 결정하는 모델인
    인공 지능 로봇.
  8. 제1항에 있어서,
    상기 프로세서는
    상기 영상 데이터로부터 오브젝트가 인식된 경우, 인식된 오브젝트의 위치를 청소 구역을 나타내는 청소 지도 상에 식별하는
    인공 지능 로봇.
  9. 인공 지능 로봇의 동작 방법에 있어서,
    음성 명령어를 획득하는 단계;
    획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단하고, 상기 의도가 상기 오브젝트의 검색을 나타내는지 판단하는 단계;
    상기 의도가 상기 오브젝트의 검색을 나타내는 경우, 영상 데이터를 획득하는 단계;
    오브젝트 인식 모델에 기반하여, 상기 영상 데이터로부터 오브젝트를 인식하는 단계; 및
    인식된 오브젝트가 상기 의도에 맞는 오브젝트인 경우, 오브젝트가 검색되었음을 알림을 출력하는 단계를 포함하는
    인공 지능 로봇의 동작 방법.
  10. 제9항에 있어서,
    상기 의도에 맞는 오브젝트의 식별 정보를 획득하는 단계; 및
    획득된 오브젝트의 식별 정보가 상기 인식된 오브젝트의 식별 정보와 매칭되는 경우, 상기 의도에 맞는 오브젝트가 검색된 것으로 판단하는 단계를 더 포함하고,
    상기 오브젝트의 식별 정보는
    상기 오브젝트의 명칭 또는 타입을 포함하는
    인공 지능 로봇의 동작 방법.
  11. 제9항에 있어서,
    상기 알림을 상기 이동 단말기로 전송하는 단계를 더 포함하고,
    상기 알림은
    상기 인공 지능 로봇의 청소 구역을 나타내는 청소 지도 상에서, 상기 인식된 오브젝트의 위치를 나타내는 위치 정보를 포함하는
    인공 지능 로봇의 동작 방법.
  12. 제9항에 있어서,
    상기 오브젝트 인식 모델은
    딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 모델이고,
    지도 학습을 통해 학습되며,
    학습용 영상 데이터 및 상기 학습용 영상 데이터에 레이블된 오브젝트 식별 데이터를 이용하여, 오브젝트의 식별 정보를 결정하는 모델인
    인공 지능 로봇의 동작 방법.
  13. 제9항에 있어서,
    상기 영상 데이터로부터 오브젝트가 인식된 경우, 인식된 오브젝트의 위치를 청소 구역을 나타내는 청소 지도 상에 식별하는 단계를 더 포함하는
    인공 지능 로봇의 동작 방법.
KR1020190089822A 2019-06-14 2019-07-24 인공 지능 로봇 및 그의 동작 방법 KR20190094311A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/KR2019/007222 2019-06-14
PCT/KR2019/007222 WO2020251096A1 (ko) 2019-06-14 2019-06-14 인공 지능 로봇 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
KR20190094311A true KR20190094311A (ko) 2019-08-13

Family

ID=67624341

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190089822A KR20190094311A (ko) 2019-06-14 2019-07-24 인공 지능 로봇 및 그의 동작 방법

Country Status (3)

Country Link
US (1) US20210401255A1 (ko)
KR (1) KR20190094311A (ko)
WO (1) WO2020251096A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210028539A (ko) * 2019-09-04 2021-03-12 동의대학교 산학협력단 서비스로봇 제어 시스템
US11607801B2 (en) 2019-08-21 2023-03-21 Lg Electronics Inc. Artificial intelligence robot for managing movement of object using artificial intelligence and method of operating the same

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283327B (zh) * 2021-12-24 2024-04-05 杭州电子科技大学 一种基于水下搜寻机器人的目标搜寻与抵近方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101553522B1 (ko) * 2008-12-29 2015-09-16 삼성전자 주식회사 로봇 및 그 제어 방법
KR101322510B1 (ko) * 2011-09-20 2013-10-28 엘지전자 주식회사 로봇 청소기
US10518407B2 (en) * 2015-01-06 2019-12-31 Discovery Robotics Apparatus and methods for providing a reconfigurable robotic platform
JP6934709B2 (ja) * 2016-08-26 2021-09-15 株式会社メニコン 捜し物ロボット
US10137567B2 (en) * 2016-09-20 2018-11-27 Toyota Motor Engineering & Manufacturing North America, Inc. Inventory robot
KR102662949B1 (ko) * 2016-11-24 2024-05-02 엘지전자 주식회사 인공지능 이동 로봇 및 그 제어방법
KR20190056174A (ko) * 2017-11-16 2019-05-24 서울시립대학교 산학협력단 로봇 시스템 및 이의 제어 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11607801B2 (en) 2019-08-21 2023-03-21 Lg Electronics Inc. Artificial intelligence robot for managing movement of object using artificial intelligence and method of operating the same
KR20210028539A (ko) * 2019-09-04 2021-03-12 동의대학교 산학협력단 서비스로봇 제어 시스템

Also Published As

Publication number Publication date
WO2020251096A1 (ko) 2020-12-17
US20210401255A1 (en) 2021-12-30

Similar Documents

Publication Publication Date Title
KR102305206B1 (ko) 인공 지능을 통해 바닥 상황을 고려하여 청소하는 로봇 청소기 및 그 방법
KR102298582B1 (ko) 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
US11330951B2 (en) Robot cleaner and method of operating the same
US20200008639A1 (en) Artificial intelligence monitoring device and method of operating the same
KR102286137B1 (ko) 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
KR20190100085A (ko) 인공 지능을 이용하여, 위험 상황을 감지할 수 있는 로봇 및 그의 동작 방법
US11607801B2 (en) Artificial intelligence robot for managing movement of object using artificial intelligence and method of operating the same
KR20190096307A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
KR20210004487A (ko) 환기 상황을 자동으로 파악할 수 있는 인공 지능 장치 및 그의 동작 방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR20190102151A (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
KR20190096871A (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
KR102297655B1 (ko) 외부 기기를 제어하기 위한 인공 지능 장치
US20190392382A1 (en) Refrigerator for managing item using artificial intelligence and operating method thereof
KR20210070634A (ko) 인공 지능 장치 및 그의 동작 방법
KR20190084912A (ko) 사용자의 액션에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
US20190371002A1 (en) Artificial intelligence device capable of being controlled according to user&#39;s gaze and method of operating the same
KR20190100112A (ko) 인공 지능을 이용하여, 아이템의 정보를 제공하는 냉장고 및 그의 동작 방법
KR20190104008A (ko) 인공 지능을 이용하여, 청소하는 로봇 청소기 및 그 동작 방법
KR20190095193A (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
KR20190094312A (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법

Legal Events

Date Code Title Description
G15R Request for early publication