KR20190103083A - 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 - Google Patents
딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 Download PDFInfo
- Publication number
- KR20190103083A KR20190103083A KR1020190099965A KR20190099965A KR20190103083A KR 20190103083 A KR20190103083 A KR 20190103083A KR 1020190099965 A KR1020190099965 A KR 1020190099965A KR 20190099965 A KR20190099965 A KR 20190099965A KR 20190103083 A KR20190103083 A KR 20190103083A
- Authority
- KR
- South Korea
- Prior art keywords
- washing machine
- vibration
- neural network
- artificial neural
- network model
- Prior art date
Links
- 238000005406 washing Methods 0.000 title claims abstract description 192
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims description 123
- 238000013528 artificial neural network Methods 0.000 claims abstract description 114
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000004891 communication Methods 0.000 claims description 51
- 239000003550 marker Substances 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010422 painting Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 description 103
- 230000008569 process Effects 0.000 description 38
- 210000004027 cell Anatomy 0.000 description 35
- 238000005516 engineering process Methods 0.000 description 34
- 230000005540 biological transmission Effects 0.000 description 33
- 230000006870 function Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 18
- 230000003993 interaction Effects 0.000 description 15
- 238000003062 neural network model Methods 0.000 description 15
- 230000004044 response Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 239000004744 fabric Substances 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 9
- 238000010295 mobile communication Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000018044 dehydration Effects 0.000 description 6
- 238000006297 dehydration reaction Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 101150096310 SIB1 gene Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000003101 oviduct Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/14—Arrangements for detecting or measuring specific parameters
- D06F34/16—Imbalance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- D06F33/02—
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
- D06F33/48—Preventing or reducing imbalance or noise
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
- D06F2103/26—Imbalance; Noise level
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/04—Signal transfer or data transmission arrangements
- D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Textile Engineering (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치가 개시된다. 본 발명의 일 실시예에 따른 딥러닝 기반의 세탁기의 진동 분석 방법은, 딥러닝 기반의 세탁기의 진동 분석 방법에 있어서, 세탁기의 세탁조에 특정한 형상 패턴을 포함하고 있으며, 영상 획득부를 통해 형상 패턴을 촬영한 영상 이미지와 진동 센서를 통해 센싱한 진동값으로 인공 신경망 모델을 학습시키고, 이를 이용하여 진동 센서를 구비하지 않더라도 세탁기의 영상 획득부를 이용하여 세탁기의 진동값을 예측할 수 있는 것이다. 해당 발명을 통해 별도의 6축 자이로 센서와 같은 진동 센서를 구비하지 않는 스마트 세탁기를 구현할 수 있다.
본 발명의 AI 장치는 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다
본 발명의 AI 장치는 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다
Description
본 발명은 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치에 관한 것으로서, 보다 구체적으로는 카메라를 통해 획득한 이미지로부터 진동값을 예측할 수 있는 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치에 관한 것이다.
일반적으로 세탁기는 의복, 침구 등의 세탁물에 물리적 작용 및/또는 화학적 작용을 가하여 포를 처리하는 각종 장치를 의미한다. 세탁기는 세탁수가 담기는 외조와, 포가 담기며 상기 외조 내에 회전 가능하게 설치되는 내조를 포함한다. 일반적인 세탁기의 세탁방법은 내조를 회전시켜서 포를 세탁하는 세탁 과정, 및 내조의 원심력을 이용하여 포를 탈수하는 탈수 과정을 포함한다.
세탁기의 구동 시에는 모터의 동작에 따른 진동이 발생한다. 이때, 정확한 진동의 예측은 세탁조의 RPM 상승을 통해 다음 단계의 동작으로 진입 여부의 판단과 현재 진행 중인 단계를 중단하고 재시작해야 할지를 판단하는 등 세탁기의 동작과 관련된 중요한 근거자료로 활용될 수 있다.
종래의 세탁기는 진동값을 측정하기 위하여, 전압 및 전류 기반의 제어 정보를 획득하거나, 6축 자이로 센서를 통해 진동값을 센싱하는 방법을 이용해왔다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은, 별도의 진동 센서를 포함하지 않는 딥러닝 기반의 세탁기의 진동 분석 방법 및 그 장치를 구현하는 것을 목적으로 한다.
또한, 본 발명은, 딥러닝을 기반으로 보다 정확한 세탁기의 진동값을 예측할 수 있는 딥러닝 기반의 세탁기의 진동 분석 방법을 구현하는 것을 목적으로 한다.
또한, 본 발명은, 예측된 진동값에 근거하여 세탁기의 진동 원인을 분석할 수 있는 딥러닝 기반의 세탁기의 진동 분석 방법을 구현하는 것을 목적으로 한다.
본 발명의 실시예에 따른 딥러닝 기반의 세탁기의 진동 분석 방법은 상기 세탁기의 진동 센서를 통해 진동값을 획득하는 단계; 상기 세탁기의 영상 획득부를 통해 세탁조에 표시된 마커(Marker)의 회전하는 이미지를 획득하는 단계; 상기 이미지 및 상기 진동값으로부터 학습 데이터를 샘플링하는 단계; 및 상기 샘플링된 학습 데이터를 입력 데이터로 설정하고, 상기 세탁기의 진동 센서를 통해 획득된 진동값을 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습하는 단계;를 포함하고, 상기 마커는 회전하는 경우 띠 모양으로 촬영되며, 상기 진동값에 따라 상기 띠의 두께가 다를 수 있다.
또한, 상기 진동값을 입력 데이터로 설정하고, 상기 세탁기의 진동 원인에 관한 정보를 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하는 단계; 상기 제1 인공 신경망 모델과 상기 제2 인공 신경망 모델을 결합하여 상기 세탁기의 진동을 분석하는 진동 분석 모델을 생성하는 단계;를 포함할 수 있다.
또한, 상기 마커의 이미지로부터 세탁기의 진동을 분석하기 위한 분석 데이터를 샘플링 하는 단계; 상기 샘플링된 분석 데이터를 상기 제1 인공 신경망 모델의 입력 데이터로 설정하는 단계; 및 상기 제1 인공 신경망 모델의 출력값에 근거하여 상기 세탁기의 진동값을 예측하는 단계; 를 더 포함할 수 있다.
또한, 상기 진동값이 미리 설정된 임계값 이상인 경우 상기 예측된 진동값을 상기 제2 인공 신경망 모델의 입력 데이터로 설정하는 단계; 상기 제2 인공 신경망 모델의 출력값에 근거하여 상기 세탁기의 진동의 원인을 판단하는 단계; 를 더 포함할 수 있다.
또한, 상기 예측된 진동값을 오토인코더(autoencoder)를 이용하여 보상하는 단계; 를 더 포함할 수 있다.
또한, 상기 마커는 상기 세탁기의 세탁조의 내부에 부착, 페인팅 또는 금형의 방식 중 적어도 하나로 형성될 수 있다.
또한, 상기 마커는 하나의 원점을 기준으로 하며 서로 다른 길이인 적어도 하나의 호들의 결합으로 이루어진 형상일 수 있다.
또한, 상기 제1 인공 신경망 모델 또는 상기 제2 인공 신경망 모델에 평가 데이터를 입력하는 단계; 상기 제1 인공 신경망 모델 또는 상기 제2 인공 신경망 모델의 출력값에 근거하여 상기 진동 분석 모델의 정확성을 판단하는 단계; 를 더 포함할 수 있다.
또한, 상기 진동 분석 모델의 정확성이 미리 설정된 임계값 미만인 경우 재학습하는 단계; 를 더 포함할 수 있다.
또한, 상기 진동의 원인을 디스플레이부를 통해 표시하는 단계;를 더 포함할 수 있다.
또한, 상기 마커는 상기 호들의 결합을 2 이상 구비할 수 있다.
본 발명의 다른 실시예에 따른 AI 장치는 통신부; AI 프로세서; 및 메모리; 를 포함하고, 상기 AI 프로세서는, 세탁기의 진동 센서를 통해 획득된 진동값 및 상기 세탁기의 영상 획득부를 통해 획득된 세탁조에 표시된 마커의 회전하는 이미지로부터 학습 데이터를 샘플링하고, 상기 샘플링된 학습 데이터를 입력 데이터로 설정하고, 상기 세탁기의 진동 센서를 통해 획득된 진동값을 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습하고, 상기 메모리는, 상기 제1 인공 신경망 모델을 저장하고, 상기 마커는, 회전하는 경우 띠 모양으로 촬영되며, 상기 진동값에 따라 상기 띠의 두께가 다를 수 있다.
본 발명의 또 다른 실시예에 따른 스마트 세탁기는 세탁조; 상기 세탁조를 촬영하는 영상 획득부; 상기 세탁조에 구비된 마커부; 및 상기 영상 획득부를 통해 획득한 회전하는 마커의 이미지와 진동 센서를 통해 획득한 진동값으로부터 상기 세탁기의 진동값을 예측하는 제1 인공 신경망 모델을 생성하는 데이터 학습부를 포함하는 AI 장치; 를 포함하고, 상기 마커부는 회전하는 경우 띠 모양으로 촬영되고, 상기 진동값에 따라 상기 띠의 두께가 다를 수 있다.
본 발명의 일 실시예에 따른 딥러닝 기반의 세탁기의 진동 분석 방법의 효과에 대해 설명하면 다음과 같다.
본 발명은 별도의 진동 센서를 포함하지 않는 딥러닝 기반의 세탁기를 구현할 수 있다.
또한, 본 발명은 진동 센서를 통한 진동값 예측 방법보다 정확한 세탁기의 진동값을 예측할 수 있다.
또한, 본 발명은 예측된 진동값에 근거하여 세탁기의 진동 원인을 분석할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 AI 장치의 일 실시예를 나타내는 개념도이다.
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 4는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 디바이스를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 7은 본 발명의 일 실시예에 따른 스마트 세탁기의 블록도이다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 세탁조 촬영 방법을 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 세탁기에 구비된 마커부의 일 례이다.
도 11은 본 발명의 일 실시예에 따른 세탁기 진동을 예측하기 위한 인공 신경망 모델의 학습 방법을 나타내는 순서도이다.
도 12은 본 발명의 일 실시예에 따른 세탁기 진동값에 따른 세탁기 진동 원인을 판단하는 인공 신경망 모델의 학습 방법을 나타내는 순서도이다.
도 13은 본 발명의 일 실시예에 따른 세탁기 진동을 분석하는 방법을 나타내는 순서도이다.
도 14는 본 발명의 일 실시예에 따른 인공 신경망 모델의 학습 방법을 나타내는 도면이다.
도 15는 본 발명의 일 실시예에 따른 세탁기 진동 분석 방법을 나타내는 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 AI 장치의 일 실시예를 나타내는 개념도이다.
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 4는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 5는 본 발명의 일 실시예에 따른 디바이스를 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 7은 본 발명의 일 실시예에 따른 스마트 세탁기의 블록도이다.
도 8은 본 발명의 일 실시예에 따른 인공 신경망을 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 세탁조 촬영 방법을 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 세탁기에 구비된 마커부의 일 례이다.
도 11은 본 발명의 일 실시예에 따른 세탁기 진동을 예측하기 위한 인공 신경망 모델의 학습 방법을 나타내는 순서도이다.
도 12은 본 발명의 일 실시예에 따른 세탁기 진동값에 따른 세탁기 진동 원인을 판단하는 인공 신경망 모델의 학습 방법을 나타내는 순서도이다.
도 13은 본 발명의 일 실시예에 따른 세탁기 진동을 분석하는 방법을 나타내는 순서도이다.
도 14는 본 발명의 일 실시예에 따른 인공 신경망 모델의 학습 방법을 나타내는 도면이다.
도 15는 본 발명의 일 실시예에 따른 세탁기 진동 분석 방법을 나타내는 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
5G 시나리오
5G의 세 가지 주요 요구 사항 영역은 (1) 개선된 모바일 광대역 (Enhanced Mobile Broadband, eMBB) 영역, (2) 다량의 머신 타입 통신 (massive Machine Type Communication, mMTC) 영역 및 (3) 초-신뢰 및 저 지연 통신 (Ultra-reliable and Low Latency Communications, URLLC) 영역을 포함한다.
일부 사용 예(Use Case)는 최적화를 위해 다수의 영역들이 요구될 수 있고, 다른 사용 예는 단지 하나의 핵심 성능 지표 (Key Performance Indicator, KPI)에만 포커싱될 수 있다. 5G는 이러한 다양한 사용 예들을 유연하고 신뢰할 수 있는 방법으로 지원하는 것이다.
eMBB는 기본적인 모바일 인터넷 액세스를 훨씬 능가하게 하며, 풍부한 양방향 작업, 클라우드 또는 증강현실에서 미디어 및 엔터테인먼트 애플리케이션을 커버한다. 데이터는 5G의 핵심 동력 중 하나이며, 5G 시대에서 처음으로 전용 음성 서비스를 볼 수 없을 수 있다. 5G에서, 음성은 단순히 통신 시스템에 의해 제공되는 데이터 연결을 사용하여 응용 프로그램으로서 처리될 것이 기대된다. 증가된 트래픽 양(volume)을 위한 주요 원인들은 콘텐츠 크기의 증가 및 높은 데이터 전송률을 요구하는 애플리케이션 수의 증가이다. 스트리밍 서비스 (오디오 및 비디오), 대화형 비디오 및 모바일 인터넷 연결은 더 많은 장치가 인터넷에 연결될수록 더 널리 사용될 것이다. 이러한 많은 응용 프로그램들은 사용자에게 실시간 정보 및 알림을 푸쉬하기 위해 항상 켜져 있는 연결성이 필요하다. 클라우드 스토리지 및 애플리케이션은 모바일 통신 플랫폼에서 급속히 증가하고 있으며, 이것은 업무 및 엔터테인먼트 모두에 적용될 수 있다. 그리고, 클라우드 스토리지는 상향링크 데이터 전송률의 성장을 견인하는 특별한 사용 예이다. 5G는 또한 클라우드의 원격 업무에도 사용되며, 촉각 인터페이스가 사용될 때 우수한 사용자 경험을 유지하도록 훨씬 더 낮은 단-대-단(end-to-end) 지연을 요구한다. 엔터테인먼트 예를 들어, 클라우드 게임 및 비디오 스트리밍은 모바일 광대역 능력에 대한 요구를 증가시키는 또 다른 핵심 요소이다. 엔터테인먼트는 기차, 차 및 비행기와 같은 높은 이동성 환경을 포함하는 어떤 곳에서든지 스마트폰 및 태블릿에서 필수적이다. 또 다른 사용 예는 엔터테인먼트를 위한 증강현실 및 정보 검색이다. 여기서, 증강현실은 매우 낮은 지연과 순간적인 데이터 양을 필요로 한다.
또한, 가장 많이 예상되는 5G 사용 예 중 하나는 모든 분야에서 임베디드 센서를 원활하게 연결할 수 있는 기능 즉, mMTC에 관한 것이다. 2020년까지 잠재적인 IoT 장치들은 204 억 개에 이를 것으로 예측된다. 산업 IoT는 5G가 스마트 도시, 자산 추적(asset tracking), 스마트 유틸리티, 농업 및 보안 인프라를 가능하게 하는 주요 역할을 수행하는 영역 중 하나이다.
URLLC는 주요 인프라의 원격 제어 및 자체-구동 차량(self-driving vehicle)과 같은 초 신뢰 / 이용 가능한 지연이 적은 링크를 통해 산업을 변화시킬 새로운 서비스를 포함한다. 신뢰성과 지연의 수준은 스마트 그리드 제어, 산업 자동화, 로봇 공학, 드론 제어 및 조정에 필수적이다.
다음으로, 다수의 사용 예들에 대해 보다 구체적으로 살펴본다.
5G는 초당 수백 메가 비트에서 초당 기가 비트로 평가되는 스트림을 제공하는 수단으로 FTTH (fiber-to-the-home) 및 케이블 기반 광대역 (또는 DOCSIS)을 보완할 수 있다. 이러한 빠른 속도는 가상현실과 증강현실뿐 아니라 4K 이상(6K, 8K 및 그 이상)의 해상도로 TV를 전달하는데 요구된다. VR(Virtual Reality) 및 AR(Augmented Reality) 애플리케이션들은 거의 몰입형(immersive) 스포츠 경기를 포함한다. 특정 응용 프로그램은 특별한 네트워크 설정이 요구될 수 있다. 예를 들어, VR 게임의 경우, 게임 회사들이 지연을 최소화하기 위해 코어 서버를 네트워크 오퍼레이터의 에지 네트워크 서버와 통합해야 할 수 있다.
자동차(Automotive)는 차량에 대한 이동 통신을 위한 많은 사용 예들과 함께 5G에 있어 중요한 새로운 동력이 될 것으로 예상된다. 예를 들어, 승객을 위한 엔터테인먼트는 동시의 높은 용량과 높은 이동성 모바일 광대역을 요구한다. 그 이유는 미래의 사용자는 그들의 위치 및 속도와 관계없이 고품질의 연결을 계속해서 기대하기 때문이다. 자동차 분야의 다른 활용 예는 증강현실 대시보드이다. 이는 운전자가 앞면 창을 통해 보고 있는 것 위에 어둠 속에서 물체를 식별하고, 물체의 거리와 움직임에 대해 운전자에게 말해주는 정보를 겹쳐서 디스플레이 한다. 미래에, 무선 모듈은 차량들 간의 통신, 차량과 지원하는 인프라구조 사이에서 정보 교환 및 자동차와 다른 연결된 디바이스들(예를 들어, 보행자에 의해 수반되는 디바이스들) 사이에서 정보 교환을 가능하게 한다. 안전 시스템은 운전자가 보다 안전한 운전을 할 수 있도록 행동의 대체 코스들을 안내하여 사고의 위험을 낮출 수 있게 한다. 다음 단계는 원격 조종되거나 자체 운전 차량(self-driven vehicle)이 될 것이다. 이는 서로 다른 자체 운전 차량들 사이 및 자동차와 인프라 사이에서 매우 신뢰성이 있고, 매우 빠른 통신을 요구한다. 미래에, 자체 운전 차량이 모든 운전 활동을 수행하고, 운전자는 차량 자체가 식별할 수 없는 교통 이상에만 집중하도록 할 것이다. 자체 운전 차량의 기술적 요구 사항은 트래픽 안전을 사람이 달성할 수 없을 정도의 수준까지 증가하도록 초 저 지연과 초고속 신뢰성을 요구한다.
스마트 사회(smart society)로서 언급되는 스마트 도시와 스마트 홈은 고밀도 무선 센서 네트워크로 임베디드될 것이다. 지능형 센서의 분산 네트워크는 도시 또는 집의 비용 및 에너지-효율적인 유지에 대한 조건을 식별할 것이다. 유사한 설정이 각 가정을 위해 수행될 수 있다. 온도 센서, 창 및 난방 컨트롤러, 도난 경보기 및 가전 제품들은 모두 무선으로 연결된다. 이러한 센서들 중 많은 것들이 전형적으로 낮은 데이터 전송 속도, 저전력 및 저비용이다. 하지만, 예를 들어, 실시간 HD 비디오는 감시를 위해 특정 타입의 장치에서 요구될 수 있다.
열 또는 가스를 포함한 에너지의 소비 및 분배는 고도로 분산화되고 있어, 분산 센서 네트워크의 자동화된 제어가 요구된다. 스마트 그리드는 정보를 수집하고 이에 따라 행동하도록 디지털 정보 및 통신 기술을 사용하여 이런 센서들을 상호 연결한다. 이 정보는 공급 업체와 소비자의 행동을 포함할 수 있으므로, 스마트 그리드가 효율성, 신뢰성, 경제성, 생산의 지속 가능성 및 자동화된 방식으로 전기와 같은 연료들의 분배를 개선하도록 할 수 있다. 스마트 그리드는 지연이 적은 다른 센서 네트워크로 볼 수도 있다.
건강 부문은 이동 통신의 혜택을 누릴 수 있는 많은 응용 프로그램을 보유하고 있다. 통신 시스템은 멀리 떨어진 곳에서 임상 진료를 제공하는 원격 진료를 지원할 수 있다. 이는 거리에 대한 장벽을 줄이는데 도움을 주고, 거리가 먼 농촌에서 지속적으로 이용하지 못하는 의료 서비스들로의 접근을 개선시킬 수 있다. 이는 또한 중요한 진료 및 응급 상황에서 생명을 구하기 위해 사용된다. 이동 통신 기반의 무선 센서 네트워크는 심박수 및 혈압과 같은 파라미터들에 대한 원격 모니터링 및 센서들을 제공할 수 있다.
무선 및 모바일 통신은 산업 응용 분야에서 점차 중요해지고 있다. 배선은 설치 및 유지 비용이 높다. 따라서, 케이블을 재구성할 수 있는 무선 링크들로의 교체 가능성은 많은 산업 분야에서 매력적인 기회이다. 그러나, 이를 달성하는 것은 무선 연결이 케이블과 비슷한 지연, 신뢰성 및 용량으로 동작하는 것과, 그 관리가 단순화될 것이 요구된다. 낮은 지연과 매우 낮은 오류 확률은 5G로 연결될 필요가 있는 새로운 요구 사항이다.
물류(logistics) 및 화물 추적(freight tracking)은 위치 기반 정보 시스템을 사용하여 어디에서든지 인벤토리(inventory) 및 패키지의 추적을 가능하게 하는 이동 통신에 대한 중요한 사용 예이다. 물류 및 화물 추적의 사용 예는 전형적으로 낮은 데이터 속도를 요구하지만 넓은 범위와 신뢰성 있는 위치 정보가 필요하다.
본 명세서에서 후술할 본 발명은 전술한 5G의 요구 사항을 만족하도록 각 실시예를 조합하거나 변경하여 구현될 수 있다.
도 1을 참조하면, AI 시스템은 AI 서버(16), 로봇(11), 자율주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(11), 자율주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 등을 AI 장치(11 내지 15)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 시스템을 구성하는 각 장치들(11 내지 15, 20)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(11 내지 15, 20)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(16)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(16)는 AI 시스템을 구성하는 AI 장치들인 로봇(11), 자율주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(11 내지 15)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이 때, AI 서버(16)는 AI 장치(11 내지 15)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(11 내지 15)에 전송할 수 있다.
이 때, AI 서버(16)는 AI 장치(11 내지 15)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(11 내지 15)로 전송할 수 있다.
또는, AI 장치(11 내지 15)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
AI+로봇
로봇(11)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(11)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(11)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(11)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(11)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(11)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(11)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(11)에서 직접 학습되거나, AI 서버(16) 등의 외부 장치에서 학습된 것일 수 있다.
이 때, 로봇(11)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(16) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(11)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(11)을 주행시킬 수 있다.
맵 데이터에는 로봇(11)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(11)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이 때, 로봇(11)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
AI+자율주행
자율주행 차량(12)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율주행 차량(12)은 자율주행 기능을 제어하기 위한 자율주행 제어 모듈을 포함할 수 있고, 자율주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율주행 제어 모듈은 자율주행 차량(12)의 구성으로써 내부에 포함될 수도 있지만, 자율주행 차량(12)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율주행 차량(12)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율주행 차량(12)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, 자율주행 차량(12)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(11)과와 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율주행 차량(12)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.
자율주행 차량(12)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율주행 차량(12)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 자율주행 차량(12)에서 직접 학습되거나, AI 서버(16) 등의 외부 장치에서 학습된 것일 수 있다.
이 때, 자율주행 차량(12)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(16) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율주행 차량(12)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 자율주행 차량(12)을 주행시킬 수 있다.
맵 데이터에는 자율주행 차량(12)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, 자율주행 차량(12)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이 때, 자율주행 차량(12)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
AI+XR
XR 장치(13)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(13)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(13)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(13)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(13)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(13)에서 직접 학습되거나, AI 서버(16) 등의 외부 장치에서 학습된 것일 수 있다.
이 때, XR 장치(13)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(16) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
AI+로봇+자율주행
로봇(11)은 AI 기술 및 자율주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율주행 기술이 적용된 로봇(11)은 자율주행 기능을 가진 로봇 자체나, 자율주행 차량(12)과 상호작용하는 로봇(11) 등을 의미할 수 있다.
자율주행 기능을 가진 로봇(11)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율주행 기능을 가진 로봇(11) 및 자율주행 차량(12)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율주행 기능을 가진 로봇(11) 및 자율주행 차량(12)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율주행 차량(12)과 상호작용하는 로봇(11)은 자율주행 차량(100b100a)와과 별개로 존재하면서, 자율주행 차량(12)의 내부 또는 외부에서 자율주행 기능에 연계되거나, 자율주행 차량(12)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이 때, 자율주행 차량(12)과 상호작용하는 로봇(11)은 자율주행 차량(12)을를 대신하여 센서 정보를 획득하여 자율주행 차량(12)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율주행 차량(12)에 제공함으로써, 자율주행 차량(12)의 자율주행 기능을 제어하거나 보조할 수 있다.
또는, 자율주행 차량(12)과 상호작용하는 로봇(11)은 자율주행 차량(12)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율주행 차량(12)의 기능을 제어할 수 있다. 예컨대, 로봇(11)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율주행 차량(12)의 자율주행 기능을 활성화하거나 자율주행 차량(12)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(11)이 제어하는 자율주행 차량(12)의 기능에는 단순히 자율주행 기능뿐만 아니라, 자율주행 차량(12)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율주행 차량(12)과 상호작용하는 로봇(11)은 자율주행 차량(12)의 외부에서 자율주행 차량(12)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(11)은 스마트 신호등과 같이 자율주행 차량(12)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율주행 차량(12)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
AI+로봇+XR
로봇(11)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(11)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(11)은 XR 장치(13)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(11)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(11) 또는 XR 장치(13)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(13)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(11)은 XR 장치(13)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(13) 등의 외부 장치를 통해 원격으로 연동된 로봇(11)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(11)의 자율주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
AI+자율주행+XR
자율주행 차량(12)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율주행 차량(12)은 XR 영상을 제공하는 수단을 구비한 자율주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율주행 차량(12)은 XR 장치(13)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율주행 차량(12)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율주행 차량(12)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이 때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율주행 차량(12)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율주행 차량(12)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 자율주행 차량(12)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율주행 차량(12) 또는 XR 장치(13)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(13)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율주행 차량(12)은 XR 장치(13) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
확장현실 기술
확장현실(XR: eXtended Reality)은 가상현실(VR: Virtual Reality), 증강현실(AR: Augmented Reality), 혼합현실(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 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2를 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 2를 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3을 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 3을 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 3을 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, …}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 ‘ssb-Index-RSRP’로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 ‘ON’으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 ‘OFF’로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 ‘repetition’에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 ‘repetition’이 ‘ON’으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 ‘repetition’이 ‘ON’으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 ‘repetition’이 ‘ON’으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 ‘repetition’에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 ‘repetition’이 ‘OFF’로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 ‘repetition’이 ‘OFF’로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 ‘beam management’로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 4는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 2 및 도 3과 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 4의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 4의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 4의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 4의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 5는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다. 도 6은 도 5에 도시된 세탁기의 주요 구성을 나타내는 블록도이다.
도 5 및 도 6를 참조하면, 본 발명의 실시 예에 따른 세탁기(10)는 제어부(100), 하드웨어부(200), 영상획득부(300) 및 사용자 인터페이스(400)를 포함한다.
제어부(100)는 사용자 인터페이스(400)를 통해서 입력되는 정보에 따라 하드웨어(200)를 제어함으로써, 세탁기(10) 전반의 구동을 제어한다. 또한, 제어부(100)는 영상획득부(300)를 통해서 획득되는 세탁물 이미지를 바탕으로 하드웨어(200)의 동작을 제어한다. 보다 구체적으로 제어부(100)는 세탁물 이미지로부터 포 분류 정보 또는 포 분산 정보를 획득하고, 포 분류 정보 또는 포 분산 정보를 바탕으로 하드웨어(200)의 동작을 제어할 수 있다. 포 분류 정보는 세탁물의 종류, 재질 등에 대한 정보로써 특히 세탁물의 함수율 정보를 지칭할 수 있다. 포 분산 정보는 내조(211)에 안착된 세탁물의 배치 정도 또는 높이 정보를 지칭할 수 있다.
제어부(100)는 포 분류 정보를 학습하여 탈수 과정에서 발생할 수 있는 내조(211)의 진동 정도를 예측하고, 내조(211)의 진동 정도에 따라 탈수 과정에서 모터(220)의 RPM을 가변시킬 수 있다. 예를 들어, 제어부(100)는 포 분류 정보가 단락 유발이 우려되는 세탁물로 판단될 경우에, 탈수 과정에서 모터(220)의 RPM을 낮추도록 제어할 수 있다.
하드웨어(200)는 세탁조(210), 모터(220), 급수 밸브(230) 및 히터(240) 등을 포함할 수 있다.
세탁조(210)는 세탁수를 수용하는 외조(213), 및 외조(213)의 내측에 배치되어 세탁물이 안착되며 모터(220)로부터 제공받는 회전력을 이용하여 회전하는 내조(211)를 포함한다. 급수 밸브(230)는 세탁수의 공급을 제어한다. 히터(240)는 세탁조 내의 급수의 가열한다. 또한, 세탁조(210) 내부에는 모터(220)의 회전 속도를 예측하기 위한 마커부(미도시)를 구비할 수 있으며, 마커부는 회전판에 표시되어 세탁조(210)에 구비되거나, 세탁조(210) 내부에 표시되는 방식으로 형성될 수 있다.
영상획득부(300)는 내조(211)에 안착된 세탁물 또는 세탁조(210) 내부에 구비된 마커부(미도시)의 이미지를 획득한다. 영상획득부(300)는 2D 또는 3D 카메라 중에서 적어도 어느 하나를 이용할 수 있으며, 세탁기(10)의 덮개에 배치될 수 있다.
사용자 인터페이스(400)는 전원 입력부(410), 시작 입력부(420), 코스 선택부(430), 옵션 선택부(440), 디스플레이부(450) 및 스피커(460)를 포함할 수 있다.
전원 입력부(410)는 세탁기의 메인 전원의 온/오프를 제어하기 위한 수단을 제공한다. 시작 입력부(420)는 세탁 과정, 헹굼 과정 또는 탈수 과정 등의 시작을 제어하기 위한 수단을 제공한다. 코스 선택부(430)는 세탁 과정, 헹굼 과정 또는 탈수 과정의 종류를 선택할 수 있는 수단을 제공한다. 옵션 선택부(440)는 세탁 과정, 헹굼 과정 또는 탈수 과정을 진행하기 위한 세부적인 옵션들을 선택할 수 있는 수단을 제공한다. 예를 들어, 옵션 선택부(440)는 물 온도, 시간, 예약 등의 옵션들을 선택하기 위한 수단이 될 수 있다. 디스플레이부(450)는 세탁기(10)의 동작 상태를 표시하거나, 사용자가 코스 선택부(430)를 통해서 선택한 코스 정보 또는 옵션 선택부(440)를 통해서 선택한 옵션 정보 등을 표시할 수 있다. 스피커(460)는 세탁기(10)의 동작 상태 또는 특정 이벤트에 대한 상황을 음성 신호로 출력한다. 특정 이벤트는 포 이미지를 바탕으로 포분산 제어 또는 RPM 제어와 관련된 상황일 수 있다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 5에 도시된 디바이스(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 5에 도시된 디바이스(10)의 제어와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 자율주행 차량은 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다. 여기서 외부 전자 기기는 세탁기로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 세탁기과 통신하는 다른 IoT 또는 5G 네트워크로 정의될 수 있다.
한편, 도 6에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 8은 본 발명의 일반적인 인공 신경망 모델을 나타내는 도면이다.
구체적으로, 도 8(a)는 인공 신경망 모델의 일반적인 구조를 나타내는 도면이며, 도 8(b)는 인공 신경망 모델 중 인코딩 후 디코딩을 하며 복원(Reconstruction) 단계를 거치는 오토인코더(autoencoder)를 나타내는 도면이다.
인공 신경망 모델은 일반적으로 입력층(input layer), 은닉층(hidden lyaer) 및 출력층(output layer)로 구성되어 있으며 각 층에 포함된 뉴런들이 가중치를 통해 연결될 수 있다. 가중치와 뉴런값의 선형 결합과 비선형 활성화 함수를 통해 인공 신경망 모델은 복잡한 함수를 근사화할 수 있는 형태를 가질 수 있다. 인공 신경망 모델 학습의 목적은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화시키는 가중치를 찾는데 있다.
심층 신경망은 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공 신경망 모델을 의미할 수 있다. 많은 은닉층을 이용함으로써 복잡한 비선형 관계들을 모델링할 수 있으며, 이처럼 층의 개수를 늘림으로써 고도화된 추상화가 가능한 신경망 구조를 딥러닝(Deep Learning)이라고 부른다. 딥러닝은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택할 수 있다. 따라서, 딥러닝은 입력에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아낼 수 있다.
딥러닝 기반의 모델은 도 6에서 전술한 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 딥러닝 이외의 머신 러닝(Machine Learning) 방법도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 입력 데이터의 특징을 추출하고, 추출된 특징에 기초하여 입력 데이터를 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.
도 8(a)를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망 모델은 입력층, 은닉층, 출력층 및 가중치를 포함할 수 있다. 예를 들어, 도 8(a)는 입력층의 크기가 3, 제1 및 제2 은닉층의 크기가 4, 출력층의 크기가 1인 인공 신경망 모델의 구조를 도시한다. 이때, 은닉층에 포함된 뉴런들은 입력층에 포함된 뉴런들과 가중치에 포함된 개별 가중치와의 선형결합으로 연결될 수 있다. 출력층에 포함된 뉴런들은 은닉층에 포함된 뉴런들과 가중치에 포함된 개별 가중치와의 선형 결합으로 연결될 수 있다. 그리고, 인공 신경망 모델은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화시키는 모델을 도출해 낼 수 있다.
도 8(b)를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망 모델은 오토인코더(autoencoder)를 포함할 수 있다. 오토인코더는 원본 데이터를 인공 신경망 모델에 입력하여 인코딩하고, 인코딩된 데이터를 디코딩함으로써 복원(Reconstruction)하면 복원 데이터와 입력 데이터는 어느 정도 차이가 발생할 수 있는데, 이러한 차이에 기반하여 데이터의 복원하거나 또는 입력 데이터의 신뢰도를 평가할 수 있다. 예를 들어, 도 8(b)의 오토인코더는 입력층의 크기와 출력층의 크기가 각각 5로 동일하고, 제1 은닉층의 크기가 3, 제2 은닉층의 크기가 2, 제3 은닉층의 크기가 3으로 은닉층의 노드수가 중간층으로 갈수록 점진적으로 감소하고 출력층에 가까워질수록 점진적으로 증가하는 구조이다. 도면 8(b)에 도시된 오토인코더는 예시적인 도면이며, 본 발명의 실시예는 이에 한정되지 않는다. 오토인코더는 원본 데이터의 입력값과 복원 데이터의 출력값을 비교하여 그 차이가 크다면 해당 데이터는 학습되지 않은 것으로 판단할 수 있고, 입력값과 출력값의 차이가 작다면 해당 데이터는 기학습된 것으로 판단할 수 있다. 따라서, 오토인코더를 이용하면 입력 데이터의 신뢰도를 높일 수 있다. 또한, 오토인코더는 입력 신호의 노이즈 제거를 위한 보상 수단으로 이용될 수 있다.
이때, 입력값과 출력값을 비교하는 방식으로, 평균제곱오차(Mean Square Error, MSE)를 이용할 수 있다. 평균제곱오차의 값이 커질수록 학습되지 않은 데이터로 판단할 수 있으며, 평균제곱오차의 값이 작을수록 기학습된 데이터로 판단할 수 있다.
도 9는 본 발명의 일 실시예에 따른 세탁조 촬영 방법을 나타내는 도면이며, 도 10은 본 발명의 일 실시예에 따른 세탁기에 구비된 마커부의 일 례이다.
도 9를 참조하면, 세탁조(210) 내부에 하나의 원점을 중심으로 서로 다른 반지름의 적어도 하나의 호들의 결합으로 이루어진 형상이 형성될 수 있다. 이러한 형상을 구비한 마커부(1001, 1002)는 도 9와 같이 세탁조(210) 내부에 형성될 수 있으며, 또한 도 10과 같이 별도의 회전판에 표시한 후 회전판을 세탁조(210)에 결합할 수도 있다.
마커부(1001, 1002)의 형상은 도면에서 도시되는 실시예에 한정되지 않으며, 여러가지 형상으로 나타낼 수 있다. 마커부(1001, 1002)의 형상은 회전 속도에 따라서 회전 시 나타내는 띠의 두께가 상이할 수 있는 것을 특징으로 한다. 따라서, 마커부(1001, 1002)의 형상은 완벽한 원 형상이 아니라, 원점으로부터의 반지름 길이가 변화하는 형상을 구비한다. 원점으로부터의 반지름 길이가 변화하는 형상은 회전하는 경우 회전 속도에 따라서 회전할 때 형성되는 띠의 두께가 상이할 수 있다. 또한, 도 10와 같이 2 이상의 띠 모양이 형성될 수 있도록 마커부(1001, 1002)를 형성할 수도 있다.
영상 획득부(300)는 세탁조(210) 내부의 세탁물뿐만 아니라 세탁조(210)에 형성된 마커부(1001, 1002)의 이미지도 획득할 수 있다. 이때 마커부(1001, 1002)가 촬영의 목적으로 하는 마커부(1001, 1002)의 이미지는 정지 상태 이미지(Still Image)가 아니라, 세탁기(10)가 동작하는 동안의 회전 이미지(Rotating Image)이다. 세탁기(10)가 동작하는 동안 세탁조(210)에 구비된 마커부(1001, 1002)는 회전하며, 이때 형성되는 띠 형상의 회전 이미지를 획득할 수 있다. 이때, 영상 획득부(300)는 세탁조(210)의 회전 속도에 따라 촬영 프레임 속도를 적절히 조절할 수 있다.
도 11은 본 발명의 일 실시예에 따른 세탁기 진동을 예측하기 위한 인공 신경망 모델의 학습 방법을 나타내는 순서도이며, 도 12는 세탁기 진동값에 따른 세탁기 진동 원인을 판단하는 인공 신경망 모델의 학습 방법의 순서도 이다.
도 11은 구체적으로 제1 인공 신경망 모델의 학습 방법을 나타내는 순서도이다.
우선, 세탁기(10)는 세탁기(10)의 진동 센서를 통해 세탁기(10)가 동작하는 동안의 진동값을 획득할 수 있다(S1110).
세탁기(10)는 동작하는 동안 진동 및 소음이 발생할 수 있다. 진동의 감지는 세탁기(10)의 모터에 인가되는 전압과 전류를 기반으로 측정하는 방식, 6축 자이로 센서를 통해 감지하는 방식이 있다. 본 발명의 일 실시예의 진동 센서는 6축 자이로 센서를 의미하고 있으나, 이에 한정되지 않으며 세탁기(10)의 진동을 감지할 수 있는 공지의 수단을 포함하는 것으로 봄이 바람직하다.
이후, 세탁기(10)는 영상 획득부(300)를 통해 세탁기 내부에 표시된 마커부(1001, 1002)의 이미지를 획득할 수 있다(S1120).
이때, 영상 획득부(300)는 세탁조(210)의 내부를 촬영할 수 있으며, 세탁물을 촬영하여 세탁물의 상태를 확인할 수 있다. 나아가, 영상 획득부(300)는 세탁조(210) 내부에 표시된 마커부(1001, 1002)의 이미지를 획득할 수 있다. 이때 영상 획득부(300)가 획득하는 이미지는 정지 이미지가 아니라, 회전 이미지인 것을 특징으로 한다. 회전 이미지는 세탁조(210)의 회전 속도에 따라 띠의 두께가 상이하다. 영상 획득부(300)는 촬영 프레임 속도를 적절하게 설정하여 회전 이미지의 띠 모양을 적절하게 획득되도록 설정될 수 있다.
이후, 세탁기(10)의 AI 장치(20)는 학습 데이터를 샘플링할 수 있다(S1130).
AI 장치(20)는 진동 센서를 통해 획득한 진동값과 영상 획득부(300)를 통해 획득한 회전 이미지 정보를 기초로 하여 인공 신경망의 입력층과 출력층에 인가될 데이터를 샘플링할 수 있다. 데이터 샘플링 방법은 공지의 기술을 이용할 수 있다.
이후, 세탁기(10)의 AI 장치(20)는 제1 인공 신경망 모델을 학습시킬 수 있다(S1140).
제1 인공 신경망 모델의 학습은 진동 센서를 통해 획득한 진동 데이터를 출력층에 인가하고, 영상 획득부(300)를 통해 획득한 회전 이미지 정보를 입력층에 인가하는 방식으로 이루어 진다. 이때, 학습된 인공 신경망 모델의 평가를 위해 제1 인공 신경망 모델에 평가 데이터를 입력하고 출력값을 획득하여, 미리 설정된 오차범위 내인지 판단할 수 있다. 제1 인공 신경망 모델의 정확도가 오차범위 외인 경우 상기 제1 인공 신경망 모델은 다시 학습 단계로 회귀할 수 있다. 이때, 학습 방법은 비지도 학습에 의할 수 있다.
도 12은 구체적으로 제2 인공 신경망 모델의 학습 방법을 나타내는 순서도이다.
우선, 세탁기(10)는 진동 센서를 통해 진동값을 획득할 수 있다(S1213).
이후, 세탁기(10)의 AI 장치(20)는 진동 센서를 통해 획득된 진동값과 일정한 진동값에 대응되는 진동 원인으로부터 인공 신경망의 학습 데이터를 샘플링할 수 있다(S1220). 이때, 학습 데이터의 샘플링 방법은 도 11에서 전술한 기재와 차이가 없다.
이후, 세탁기(10)의 AI 장치(20)는 샘플링된 학습 데이터로부터 제2 인공 신경망 모델을 학습할 수 있다(S1230).
진동 센서를 통해 획득된 진동 데이터를 입력층에 인가하고, 진동 원인 정보를 출력층에 인가하여, 각각의 진동값의 입력에 따른 진동 원인을 판단할 수 있는 제2 인공 신경망 모델을 학습할 수 있다. 이때, 학습된 인공 신경망 모델의 평가를 위해 제2 인공 신경망 모델에 평가 데이터를 입력하고 출력값을 획득하여, 미리 설정된 오차범위 내인지 판단할 수 있다. 제2 인공 신경망 모델의 정확도가 오차범위 외인 경우 상기 제2 인공 신경망 모델은 다시 학습 단계로 회귀할 수 있다. 이때 학습 방법은 비지도 학습에 의할 수 있다.
도 13은 본 발명의 일 실시예에 따른 세탁기 진동을 분석하는 방법을 나타내는 순서도이다.
우선, 세탁기(10)의 영상 획득부(300)는 마커부(1001, 1002)의 회전 이미지를 획득할 수 있다(S1310).
이때 세탁기(10)의 영상 획득부(300)는 세탁조(210) 내부의 세탁물과 마커부(1001, 1002)의 회전 이미지를 획득할 수 있다. 세탁조(210) 내부에 세탁물이 포함되어 있는 경우 세탁물과 마커부(1001, 1002)의 구분이 어려워 적절한 마커부(1001, 1002)의 이미지 획득이 어려울 수 있으므로, 마커부(1001, 1002)는 촬영부의 적절한 이미지 획득을 위해서 다양한 형상으로 구비될 수 있다. 예를 들어, 세탁조(210)가 빠른 속도로 회전하는 경우 세탁물은 세탁조(210)의 외각으로 위치하고 중심부에 가까운 위치가 촬영이 용이할 수 있다. 이때 세탁물로 인한 시야의 방해를 받지 않는 위치에 마커부(1001, 1002) 형상을 위치시킴으로써 세탁물의 방해를 방지할 수 있다. 본 발명의 다양한 실시예에서 마커부(1001, 1002)의 형상은 타원형, 직사각형, 마름모형, 나선형, 물결무늬형 또는 동일한 원점을 기준으로 서로 다른 길이인 적어도 하나의 호들의 결합으로 이루어진 형상 중 적어도 하나를 포함할 수 있다.
이후, 세탁기(10)의 AI 장치(20)는 검사 데이터를 샘플링할 수 있다(S1320).
구체적으로 영상 획득부(300)를 통해 획득된 마커부(1001, 1002)의 회전 이미지로부터 제1 인공 신경망 모델의 입력층에 인가될 검사 데이터를 샘플링할 수 있다.
이후, 세탁기(10)의 AI 장치(20)는 제1 인공 신경망 모델을 통해 진동 예측값을 획득할 수 있다(S1330).
제1 인공 신경망 모델의 입력층에 상기 샘플링된 검사 데이터를 인가하고, 상기 제1 인공 신경망 모델의 출력값을 근거로 하여 이 출력 값에 대응하는 진동 예측값을 획득할 수 있다. 본 발명의 일 실시예에 따른 세탁기(10)는 제1 인공 신경망 모델을 통해 세탁기(10)의 진동값을 예측할 수 있고, 제품의 설계 및 생산 단계에서만 별도의 진동 센서를 구비하며, 이후 실제로 판매되는 세탁기(10)에는 진동 센서를 구비하지 않을 수 있으므로, 경제적으로 정확한 진동값을 예측할 수 있는 이점이 있다.
이후, 세탁기(10)의 AI 장치(20)는 진동 예측값을 보상할 수 있다(S1340).
진동 보상부(미도시)는 제1 인공 신경망 모델을 이용하여 획득된 진동값이 약간의 오차를 보유할 수 있으므로 이러한 진동 예측값을 보상할 수 있다. 진동 보상부는 오토 인코더를 이용할 수 있다. 오토 인코더는 동일한 학습 데이터를 입력층과 출력층에 인가 함으로써 학습시킬 수 있다. 오토 인코더를 이용하여 검사 데이터의 노이즈를 제거하거나 제1 인공 신경망 모델의 출력값을 적절히 보상할 수 있다.
이후, 세탁기(10)의 AI 장치(20)는 제2 인공 신경망 모델을 통해 진동 원인을 예측할 수 있다(S1350).
제2 인공 신경망 모델은 입력층에 인가된 진동 데이터에 따라 세탁기(10)의 진동 원인을 판단할 수 있다. 예를 들어, 진동값을 미리 설정된 적어도 하나의 범위로 분류하고, 각각의 범위에 해당하는 예상 진동 원인을 예측할 수 있다. 진동 원인은 세탁기(10)의 설치 상태의 불균형, 세탁기(10)의 노후화, 고장 등을 포함할 수 있다. 또한 세탁기(10)의 고장은 세탁조(210)의 불균형, 모터의 오작동 등을 포함할 수 있다.
본 발명의 다양한 실시예에서 제2 인공 신경망 모델을 통한 진동 원인의 예측은 제1 인공 신경망 모델을 통해 예측된 진동값이 미리 설정된 임계값을 초과하는 경우에 이루어질 수 있다. 예를 들어, 제1 인공 신경망 모델을 통해 예측된 진동값이 정상 동작 범위를 벗어나는 경우 제2 인공 신경망 모델을 통해 진동 원인을 분석할 수 있다.
이후, 세탁기(10)의 디스플레이부(450)는 진동 원인을 외부에 표시할 수 있다(S1360).
도 14는 본 발명의 일 실시예에 따른 인공 신경망 모델의 학습 방법을 나타내는 도면이고, 도 15는 본 발명의 일 실시예에 따른 세탁기 진동 분석 방법을 나타내는 도면이다.
도 14를 참조하면, 인공 신경망 모델의 학습 단계에서는 영상 획득부, 진동 센서, AI 장치를 이용할 수 있다.
세탁기(10)의 영상 획득부(300)를 통해 획득된 카메라 영상 데이터는 제1 인공 신경망 모델(1410) 및 제2 인공 신경망 모델(1420)의 입력층으로 전송될 수 있고, 세탁기(10)의 진동 센서를 통해 획득된 진동 신호 데이터는 제1 인공 신경망 모델(1410)의 출력층으로 전송될 수 있다. 또한, 진동 원인 데이터는 세탁기(10)의 설계 시 제2 인공 신경망 모델(1420)로 인가된다. 본 발명의 다양한 실시예에서 세탁기(10)의 AI 장치(20)는 진동 원인 데이터를 서버로부터 수신하여 제2 인공 신경망 모델(1420)의 출력층에 인가함으로써 지속적으로 진동 원인과 관련된 제2 인공 신경망 모델(1420)을 업데이트 할 수 있다.
도 15를 참조하면, 세탁기(10)의 진동 분석 단계에서는 영상 획득부(300), AI 장치(20)를 이용할 수 있다.
세탁기(10)의 영상 획득부(300)를 통해 획득된 카메라 영상 데이터는 제1 인공 신경망의 입력층으로 전송될 수 있다. 이후, 제1 인공 신경망 모델(1410)로부터 출력된 진동 예측값은 제2 인공 신경망 모델(1420)의 입력층에 인가될 수 있다. 세탁기(10)의 AI 장치(20)는 제2 인공 신경망 모델(1420)의 출력값에 따라 세탁기(10)의 진동 원인을 판단할 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 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
Claims (20)
- 딥러닝 기반의 세탁기의 진동 분석 방법에 있어서,
상기 세탁기의 진동 센서를 통해 진동값을 획득하는 단계;
상기 세탁기의 영상 획득부를 통해 세탁조에 표시된 마커(Marker)의 회전하는 이미지를 획득하는 단계;
상기 이미지 및 상기 진동값으로부터 학습 데이터를 샘플링하는 단계; 및
상기 샘플링된 학습 데이터를 입력 데이터로 설정하고, 상기 세탁기의 진동 센서를 통해 획득된 진동값을 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습하는 단계;
를 포함하고,
상기 마커는 회전하는 경우 띠 모양으로 촬영되며, 상기 진동값에 따라 상기 띠의 두께가 다른 것을 특징으로 하는 딥러닝 기반의 세탁기의 진동 분석 방법.
- 제1 항에 있어서,
상기 진동값을 입력 데이터로 설정하고, 상기 세탁기의 진동 원인에 관한 정보를 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하는 단계;
상기 제1 인공 신경망 모델과 상기 제2 인공 신경망 모델을 결합하여 상기 세탁기의 진동을 분석하는 진동 분석 모델을 생성하는 단계;
를 더 포함하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제2 항에 있어서,
상기 마커의 이미지로부터 세탁기의 진동을 분석하기 위한 분석 데이터를 샘플링 하는 단계;
상기 샘플링된 분석 데이터를 상기 제1 인공 신경망 모델의 입력 데이터로 설정하는 단계; 및
상기 제1 인공 신경망 모델의 출력값에 근거하여 상기 세탁기의 진동값을 예측하는 단계;
를 더 포함하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제3 항에 있어서,
상기 진동값이 미리 설정된 임계값 이상인 경우 상기 예측된 진동값을 상기 제2 인공 신경망 모델의 입력 데이터로 설정하는 단계;
상기 제2 인공 신경망 모델의 출력값에 근거하여 상기 세탁기의 진동의 원인을 판단하는 단계;
를 더 포함하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제 3항에 있어서,
상기 예측된 진동값을 오토인코더(autoencoder)를 이용하여 보상하는 단계;
를 더 포함하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제1 항에 있어서,
상기 마커는 상기 세탁기의 세탁조의 내부에 부착, 페인팅 또는 금형의 방식 중 적어도 하나로 형성되는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제1 항에 있어서,
상기 마커는 하나의 원점을 기준으로 하며 서로 다른 길이인 적어도 하나의 호들의 결합으로 이루어진 형상인 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제2 항에 있어서,
상기 제1 인공 신경망 모델 또는 상기 제2 인공 신경망 모델에 평가 데이터를 입력하는 단계;
상기 제1 인공 신경망 모델 또는 상기 제2 인공 신경망 모델의 출력값에 근거하여 상기 진동 분석 모델의 정확성을 판단하는 단계;
를 더 포함하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제2 항에 있어서,
상기 진동 분석 모델의 정확성이 미리 설정된 임계값 미만인 경우 재학습하는 단계;
를 더 포함하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제4 항에 있어서,
상기 진동의 원인을 디스플레이부를 통해 표시하는 단계;를 더 포함하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 제7 항에 있어서,
상기 마커는 상기 호들의 결합을 2 이상 구비하는 것을 특징으로 하는 세탁기의 진동 분석 방법.
- 딥러닝 기반의 세탁기의 진동 분석을 위한 AI 장치에 있어서,
통신부;
AI 프로세서; 및
메모리;
를 포함하고,
상기 AI 프로세서는, 세탁기의 진동 센서를 통해 획득된 진동값 및 상기 세탁기의 영상 획득부를 통해 획득된 세탁조에 표시된 마커의 회전하는 이미지로부터 학습 데이터를 샘플링하고,
상기 샘플링된 학습 데이터를 입력 데이터로 설정하고, 상기 세탁기의 진동 센서를 통해 획득된 진동값을 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습하고,
상기 메모리는, 상기 제1 인공 신경망 모델을 저장하고,
상기 마커는, 회전하는 경우 띠 모양으로 촬영되며, 상기 진동값에 따라 상기 띠의 두께가 다른 것을 특징으로 하는 AI 장치.
- 제12 항에 있어서,
상기 AI 프로세서는, 상기 진동값을 입력 데이터로 설정하고, 상기 세탁기의 진동 원인에 관한 정보를 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하고,
상기 제1 인공 신경망 모델과 상기 제2 인공 신경망 모델을 결합하여 상기 세탁기의 진동을 분석하는 진동 분석 모델을 생성하고,
상기 메모리는, 상기 진동 분석 모델을 저장하는 것을 특징으로 하는 세탁기의 진동 분석을 위한 AI 장치.
- 스마트 세탁기에 있어서,
세탁조;
상기 세탁조를 촬영하는 영상 획득부;
상기 세탁조에 구비된 마커부; 및
상기 영상 획득부를 통해 획득한 회전하는 마커의 이미지와 진동 센서를 통해 획득한 진동값으로부터 상기 세탁기의 진동값을 예측하는 제1 인공 신경망 모델을 생성하는 데이터 학습부를 포함하는 AI 장치;
를 포함하고,
상기 마커부는 회전하는 경우 띠 모양으로 촬영되고, 상기 진동값에 따라 상기 띠의 두께가 다른 것을 특징으로 하는 스마트 세탁기.
- 제14 항에 있어서,
상기 AI 장치는, 상기 진동 센서를 통해 획득한 진동값과 상기 세탁기의 진동 원인에 관한 정보로부터 상기 세탁기의 진동 원인을 판단하는 제2 인공 신경망 모델을 생성하는 것을 특징으로 하는 스마트 세탁기.
- 제14 항에 있어서,
상기 마커부는 상기 세탁기의 세탁조의 내부에 부착, 페인팅 또는 금형의 방식 중 적어도 하나로 형성되는 것을 특징으로 하는 스마트 세탁기.
- 제14 항에 있어서,
상기 마커부를 포함하는 회전판을 더 포함하고,
상기 회전판은 상기 세탁기의 세탁조에 위치하는 것을 특징으로 하는 스마트 세탁기.
- 제15 항에 있어서,
상기 AI 장치는,
상기 마커부의 회전하는 이미지로부터 상기 세탁기의 진동을 분석하기 위한 분석 데이터를 샘플링하고, 상기 샘플링된 분석 데이터를 상기 제1 인공 신경망 모델에 입력하여, 상기 세탁기의 진동값을 예측하는 것을 특징으로 하는 스마트 세탁기.
- 제15 항에 있어서,
상기 AI 장치는,
상기 제1 인공 신경망 모델의 출력값을 근거로 예측되는 상기 세탁기의 진동값을 제2 인공 신경망 모델에 입력하여, 상기 세탁기의 진동 원인을 판단하는 것을 특징으로 하는 스마트 세탁기.
- 제19 항에 있어서,
디스플레이부를 더 포함하고,
상기 디스플레이부는 상기 세탁기의 진동 원인을 디스플레이하는 것을 특징으로 하는 스마트 세탁기.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190099965A KR20190103083A (ko) | 2019-08-15 | 2019-08-15 | 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 |
US16/560,878 US11479894B2 (en) | 2019-08-15 | 2019-09-04 | Method and apparatus for compensating vibration of deep-learning based washing machine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190099965A KR20190103083A (ko) | 2019-08-15 | 2019-08-15 | 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20190103083A true KR20190103083A (ko) | 2019-09-04 |
Family
ID=67950219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190099965A KR20190103083A (ko) | 2019-08-15 | 2019-08-15 | 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11479894B2 (ko) |
KR (1) | KR20190103083A (ko) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631434A (zh) * | 2021-01-11 | 2021-04-09 | 福州大学 | 一种基于深度学习的振动触觉编解码方法 |
KR20210082621A (ko) * | 2019-12-26 | 2021-07-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
KR20210082596A (ko) * | 2019-12-26 | 2021-07-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
CN113280906A (zh) * | 2021-06-18 | 2021-08-20 | 太原理工大学 | 基于计算机视觉的泡生法籽晶最佳接种时机振动感知方法 |
KR20220139693A (ko) * | 2021-04-08 | 2022-10-17 | 서울대학교산학협력단 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210185700A1 (en) * | 2019-12-13 | 2021-06-17 | Qualcomm Incorporated | Scheduling request associated with artificial intelligence information |
EP4123284A4 (en) * | 2020-04-27 | 2023-11-22 | Siemens Aktiengesellschaft | FAULT DIAGNOSIS METHOD AND ASSOCIATED APPARATUS |
CN112179691B (zh) * | 2020-09-04 | 2021-07-13 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测***和方法 |
US11982035B2 (en) * | 2020-11-16 | 2024-05-14 | Haier Us Appliance Solutions, Inc. | Method of using image recognition processes for improved operation of a laundry appliance |
US11383156B1 (en) | 2020-12-29 | 2022-07-12 | Snap Inc. | Multi-user AR experience with offline synchronization |
EP4283801A4 (en) * | 2021-01-20 | 2024-06-05 | Panasonic Intellectual Property Management Co., Ltd. | ASSEMBLY DETECTION METHOD, ASSEMBLY DETECTION DEVICE AND ASSEMBLY DETECTION SYSTEM |
US11982034B2 (en) | 2021-02-03 | 2024-05-14 | Haier Us Appliance Solutions, Inc. | Image quality detection for a camera assembly in a laundry appliance |
US11686030B2 (en) | 2021-02-17 | 2023-06-27 | Haier Us Appliance Solutions, Inc. | Method for detecting and correcting out of balance conditions in a washing machine appliance |
US11851799B2 (en) | 2021-03-25 | 2023-12-26 | Haier Us Appliance Solutions, Inc. | Systems and methods of operating a washing machine appliance to detect and mitigate out-of-balance conditions |
US20220341079A1 (en) * | 2021-04-21 | 2022-10-27 | Haier Us Appliance Solutions, Inc. | Method for improved tumbling of clothes in a washing machine appliance |
CN114657741B (zh) * | 2022-03-07 | 2024-02-06 | Tcl家用电器(合肥)有限公司 | 洗涤设备控制方法、装置、洗涤设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019154481A (ja) * | 2018-03-07 | 2019-09-19 | パナソニックIpマネジメント株式会社 | 洗濯機を制御する制御方法、制御装置及びプログラム |
KR20210012645A (ko) * | 2019-07-26 | 2021-02-03 | 삼성전자주식회사 | 세탁기 및 그 제어 방법 |
-
2019
- 2019-08-15 KR KR1020190099965A patent/KR20190103083A/ko active Search and Examination
- 2019-09-04 US US16/560,878 patent/US11479894B2/en active Active
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210082621A (ko) * | 2019-12-26 | 2021-07-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
KR20210082596A (ko) * | 2019-12-26 | 2021-07-06 | 주식회사 모트롤 | 감속 장치의 고장진단 장치 및 방법 |
CN112631434A (zh) * | 2021-01-11 | 2021-04-09 | 福州大学 | 一种基于深度学习的振动触觉编解码方法 |
CN112631434B (zh) * | 2021-01-11 | 2022-04-12 | 福州大学 | 一种基于深度学习的振动触觉编解码方法 |
KR20220139693A (ko) * | 2021-04-08 | 2022-10-17 | 서울대학교산학협력단 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
CN113280906A (zh) * | 2021-06-18 | 2021-08-20 | 太原理工大学 | 基于计算机视觉的泡生法籽晶最佳接种时机振动感知方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200063315A1 (en) | 2020-02-27 |
US11479894B2 (en) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11479894B2 (en) | Method and apparatus for compensating vibration of deep-learning based washing machine | |
US10968555B2 (en) | Method for inspecting unbalance error of washing machine and washing machine | |
KR102260214B1 (ko) | 인공지능 기반 수면 분석 방법 및 수면 분석 기능을 구비한 지능형 디바이스 | |
US11687776B2 (en) | Method for controlling cook based on artificial intelligent and intelligent device | |
KR102201858B1 (ko) | 인공지능 기반 영상 편집 방법 및 지능형 디바이스 | |
KR102321798B1 (ko) | 인공 신경망 기반의 음성 인식 모델을 학습시키는 방법 및 음성 인식 디바이스 | |
KR102273033B1 (ko) | 인공지능 기반의 세제량 조절 방법 및 그 장치 | |
KR102246659B1 (ko) | 지능형 디바이스 및 지능형 디바이스의 영상 보정 방법 | |
KR20190103079A (ko) | 증강현실을 이용한 차량 외부 영상 정보 출력 방법 및 이를 위한 장치 | |
US11308954B2 (en) | Method for associating an AI device with a device based on a behavior pattern of a user and an apparatus therefor | |
US20200085275A1 (en) | Intelligent dishwasher and method for controlling the same | |
US10819844B2 (en) | Intelligent electronic device and mode setting method | |
KR20190099157A (ko) | 인공지능 장치를 이용한 식기 세척 방법 및 이를 위한 장치 | |
US11952701B2 (en) | Door open monitoring for intelligent device | |
KR20190106948A (ko) | 지능형 디바이스 및 그 제어 방법 | |
KR20190099170A (ko) | 지능형 단말의 주변 상황에 따른 알림 제공 방법 및 이를 위한 장치 | |
US11423696B2 (en) | Method for recognizing face using intelligent electronic device | |
KR20190106946A (ko) | 지능형 디바이스 및 그 제어 방법 | |
KR20210096493A (ko) | 인공지능형 로봇 디바이스를 제어하는 방법 | |
KR20190107613A (ko) | 촬상된 영상을 이용한 사용자 프로파일링 방법 | |
KR20190107614A (ko) | 이벤트 발생 시간 이용한 사용자 프로파일링 방법 | |
KR20220009511A (ko) | 지능형 세탁기 및 이의 제어방법 | |
KR20210061115A (ko) | 인공지능형 로봇 디바이스의 음성 인식 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination |