KR20190107610A - 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법 - Google Patents

지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법 Download PDF

Info

Publication number
KR20190107610A
KR20190107610A KR1020190107976A KR20190107976A KR20190107610A KR 20190107610 A KR20190107610 A KR 20190107610A KR 1020190107976 A KR1020190107976 A KR 1020190107976A KR 20190107976 A KR20190107976 A KR 20190107976A KR 20190107610 A KR20190107610 A KR 20190107610A
Authority
KR
South Korea
Prior art keywords
washing
time
information
return time
laundry
Prior art date
Application number
KR1020190107976A
Other languages
English (en)
Inventor
이명희
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
Priority to KR1020190107976A priority Critical patent/KR20190107610A/ko
Publication of KR20190107610A publication Critical patent/KR20190107610A/ko
Priority to US16/588,450 priority patent/US11245544B2/en

Links

Images

Classifications

    • D06F33/02—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
    • H04L12/2825—Reporting to a device located outside the home and the home network
    • 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 
    • D06F33/44—Control of the operating time, e.g. reduction of overall operating time
    • 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
    • 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
    • D06F34/18—Condition of the laundry, e.g. nature or weight
    • 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
    • D06F35/00—Washing machines, apparatus, or methods not otherwise provided for
    • D06F35/005—Methods for washing, rinsing or spin-drying
    • D06F35/006—Methods for washing, rinsing or spin-drying for washing or rinsing only
    • 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
    • D06F39/00—Details of washing machines not specific to a single type of machines covered by groups D06F9/00 - D06F27/00 
    • D06F39/001—Arrangements for transporting, moving, or setting washing machines; Protective arrangements for use during transport
    • D06F39/003—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2816—Controlling appliance services of a home automation network by calling their functionalities
    • H04L12/2818—Controlling appliance services of a home automation network by calling their functionalities from a device located outside both the home and the home network
    • 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
    • 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
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/04—Quantity, e.g. weight or variation of weight
    • 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
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/06—Type or material
    • 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
    • D06F2103/38—Time, e.g. duration
    • 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
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/50—Starting machine operation, e.g. delayed start or re-start after power cut
    • 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
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/52—Changing sequence of operational steps; Carrying out additional operational steps; Modifying operational steps, e.g. by extending duration of steps
    • 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
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L2012/284—Home automation networks characterised by the type of medium used
    • H04L2012/2841—Wireless
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L2012/2847—Home automation networks characterised by the type of home appliance used
    • H04L2012/285—Generic home appliances, e.g. refrigerators

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Textile Engineering (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Control Of Washing Machine And Dryer (AREA)

Abstract

본 발명의 실시 예에 따른 지능형 세탁기를 이용한 세탁 타이밍 제어방법은 세탁 진행을 결정하는 단계, 세탁의 소요시간을 산출하는 단계, 사용자의 복귀 시각을 예측하는 단계 및 복귀시각에 대응하여 세탁이 종료되도록 세탁의 시작 시각을 결정하는 단계를 포함한다.
본 발명의 세탁기는 인공 지능(Artificial Intelligence) 모듈, 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

지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법 {Intelligent Washing Machine and Method for Controlling Washing Timing Using the Same}
본 발명은 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법에 관한 것으로, 특히 사용자의 복귀 시각에 대응하여 세탁 타이밍을 제어할 수 있는 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법에 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 외조 내에 회전 가능하게 설치되는 내조를 포함한다. 일반적인 세탁기의 세탁방법은 내조를 회전시켜서 포를 세탁하는 세탁 과정, 세탁수를 공급하여 세제 및 오염수를 제거하는 헹굼 과정, 내조의 원심력을 이용하여 포를 탈수하는 탈수 과정 등을 포함한다.
세탁 과정은 비교적 짧지 않은 시간이 소요되고, 세탁기가 동작하는 동안의 소음으로 인하여 사용자에게 불쾌감을 주기도 한다. 세탁기를 동작시킨 후 사용자가 부재인 상태가 되면,
소음을 회피하기 위해서 사용자가 자택을 벗어나기 전에 세탁기를 동작시키면, 세탁이 완료된 이후에 밀폐된 공간에서 세탁물이 젖은 상태를 장시간 유지하게 되어 세탁물에 불쾌한 냄새가 베이기도 한다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 사용자가 세탁기의 소음 공해를 받지 않을 수 있는 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법을 제공하기 위한 것이다.
또한, 본 발명은 세탁이 완료된 이후에 세탁물이 세탁기 내에서 장식간 방치되는 것을 방지할 수 있는 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법을 제공하기 위한 것이다.
본 발명의 실시 예에 따른 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법은 세탁 진행을 결정하는 단계; 상기 세탁의 소요시간을 산출하는 단계, 상기 사용자의 복귀 시각을 예측하는 단계 및 상기 복귀시각에 대응하여 세탁이 종료되도록, 상기 세탁의 시작 시각을 결정하는 단계를 포함한다.
상기 세탁 진행은, 상기 세탁기 내부에 적재된 세탁물의 양이 미리 설정된 임계치 이상일 경우에 결정될 수 있다.
상기 세탁 소요 시간을 산출하는 단계는 상기 세탁물의 양을 판단하는 단계; 상기 세탁물의 포 분류 정보를 획득하는 단계; 및 상기 세탁물의 무게 및 상기 포 분류 정보를 학습하여 상기 세탁 소요 시간을 산출하는 단계를 포함할 수 있다.
상기 복귀 시각을 예측하는 단계는 상기 세탁 소요 시간과 복귀 소요 시간을 비교하는 단계; 및 상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 길 경우, 누적된 복귀 시각을 학습하여 상기 복귀 시각을 예측하는 단계를 포함할 수 있다.
상기 복귀 시각을 예측하는 단계는 상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 짧은 경우, 상기 사용자의 GPS 정보 및 실시간 교통정보를 인공지능 학습 모델의 입력값으로 학습을 수행하는 것일 수 있다.
상기 복귀 시각을 예측하는 단계는, 요일별 특정 시각에 매칭되는 상기 GPS 정보을 상기 인공지능 학습 모델의 입력값으로 학습을 수행하는 것일 수 있다.
상기 세탁 시작 시각을 결정하는 단계는, 상기 세탁물의 무게 정보, 요일별 특정 시각에 매칭되는 상기 GPS 정보, 및 요일별 특정 시각에 매칭되는 상기 사용자 공간의 인원 정보를 상기 인공지능 학습 모델의 입력값으로 학습을 수행하는 단계를 포함할 수 있다.
결정된 상기 세탁 시작 시각으로 세탁을 시작하는 단계; 예측되는 상기 복귀 시각의 변화량을 모니터링하는 단계; 및 예측되는 상기 복귀 시각의 변화량이 미리 설정된 임계치 이상일 경우, 세탁 조건을 변경하는 단계를 더 포함할 수 있다.
상기 세탁 조건을 변경하는 단계는 예측되는 상기 복귀 시각이 늦어질 경우, 헹굼 절차를 더 길게 진행할 수 있다.
상기 세탁 조건을 변경하는 단계는 예측되는 상기 복귀 시각이 빨라질 경우, 탈수 절차를 더 짧게 진행할 수 있다.
상기 세탁의 시작 시각을 결정하는 단계는, 상기 인공지능 학습 모델의 입력값 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계; 를 더 포함하고, 상기 인공지능 학습 모델의 입력값 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계; 를 더 포함하고, 상기 인공지능 학습 모델의 입력값 정보는 PUSCH(Physical Uplink Shared Channel)를 통해 상기 네트워크로 전송되고, 상기 SSB와 상기 PUSCH의 DM-RS(Dedicated demodulation Reference Signal)는 QCL(Quasi-Co Location) type D에 대해 QCL되어 있을 수 있다.
본 발명의 실시 예에 따른 지능형 세탁기는 세탁물이 안착되는 세탁조; 상기 세탁조를 구동하는 모터; 및 상기 세탁조에 안착된 상기 세탁물의 양에 따라 세탁 소요 시간을 산출하여 세탁 진행을 결정하고, 부재중인 사용자의 복귀 시각을 예측하여 상기 복귀 시각에 대응하여 세탁이 종료되도록 상기 세탁의 시작 시각을 결정하는 제어부;를 포함한다.
상기 제어부는, 상기 세탁물의 무게 및 포 분류 정보를 학습하여 상기 세탁 소요 시간을 산출할 수 있다.
상기 제어부는, 상기 세탁 소요 시간이 복귀 소요 시간 보다 길 경우, 누적된 복귀 시각을 학습하여 상기 복귀 시각을 예측할 수 있다.
상기 제어부는, 상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 짧은 경우, 상기 사용자의 GPS 정보 및 실시간 교통정보를 인공지능 학습 모델의 입력값으로 학습을 수행하여 상기 복귀 시각을 예측할 수 있다.
상기 제어부는, 요일별 특정 시각에 매칭되는 상기 GPS 정보을 상기 인공지능 학습 모델의 입력값으로 학습을 수행하여 상기 복귀 시각을 예측할 수 있다.
상기 제어부는, 세탁물의 무게 정보, 요일별 특정 시각에 매칭되는 상기 GPS 정보, 및 요일별 특정 시각에 매칭되는 상기 사용자 공간의 인원 정보를 상기 인공지능 학습 모델의 입력값으로 학습을 수행하여, 상기 세탁 시작 시각을 결정할 수 있다.
상기 제어부는, 상기 세탁 시작 시각으로 세탁을 시작한 이후 상기 복귀 시각의 변화량을 모니터링하고, 상기 복귀 시각의 변화량이 미리 설정된 임계치 이상일 경우, 세탁 조건을 변경할 수 있다.
본 발명의 일 실시예에 따른 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법의 효과에 대해 설명하면 다음과 같다.
본 발명에 의하면, 지능형 세탁기는 사용자가 부재중인 상태에서 세탁을 진행하기 때문에, 사용자는 세탁기의 소음 공해로부터 자유로울 수 있다.
또한, 본 발명에 의하면, 세탁 종료 시각이 사용자의 복귀 시각에 맞춰지기 때문에, 세탁물이 세탁기 내에서 장식간 방치되는 것을 방지할 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 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4 및 도 5는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 7은 본 발명의 실시 예에 따른 세탁 타이밍 제어방법을 나타내는 순서도이다.
도 8은 본 발명의 실시 예에 따른 인공지능 학습을 위한 타이밍 예측 모델을 설명하는 도면이다.
도 9는 PIR 센서를 나타내는 도면이다.
도 10은 본 발명의 실시 예에 따른 세탁 진행을 결정하는 방법을 설명하는 순서도이다.
도 11은 세탁 소요 시간을 산출하는 실시 예를 설명하는 순서도이다.
도 12는 본 발명의 실시 예에 따른 복귀 시각을 예측하는 방법을 설명하는 순서도이다.
도 13은 타이밍 예측 모델의 구성을 나타내는 도면이다.
도 14는 세탁 타이밍 예측 방법을 기반으로 세탁기를 제어하는 방법을 나타내는 순서도이다.
도 15는 본 발명의 다른 실시 예에 따른 세탁 타이밍 제어방법을 나타내는 도면이다.
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.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 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 1을 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.물리 채널 및 일반적인 신호 전송
도 2는 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다. 무선 통신 시스템에서 단말은 기지국으로부터 하향링크(Downlink, DL)를 통해 정보를 수신하고, 단말은 기지국으로 상향링크(Uplink, UL)를 통해 정보를 전송한다. 기지국과 단말이 송수신하는 정보는 데이터 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.
단말은 전원이 켜지거나 새로이 셀에 진입한 경우 기지국과 동기를 맞추는 등의 초기 셀 탐색(Initial cell search) 작업을 수행한다(S201). 이를 위해, 단말은 기지국으로부터 주 동기 신호(Primary Synchronization Signal, PSS) 및 부 동기 신호(Secondary Synchronization Signal, SSS)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. 그 후, 단말은 기지국으로부터 물리 방송 채널(Physical Broadcast Channel, PBCH)를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호(Downlink Reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다.
초기 셀 탐색을 마친 단말은 물리 하향링크 제어 채널(Physical Downlink Control Channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(Physical Downlink Control Channel; PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, 기지국에 최초로 접속하거나 신호 송신을 위한 무선 자원이 없는 경우, 단말은 기지국에 대해 임의 접속 과정(Random Access Procedure, RACH)을 수행할 수 있다(S203 내지 S206). 이를 위해, 단말은 물리 임의 접속 채널(Physical Random Access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로 송신하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 응답 메시지((RAR(Random Access Response) message)를 수신할 수 있다. 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 절차(Contention Resolution Procedure)를 수행할 수 있다(S206).
상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 송신 절차로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(Physical Uplink Shared Channel, PUSCH)/물리 상향링크 제어 채널(Physical Uplink Control Channel; PUCCH) 송신(S208)을 수행할 수 있다. 특히 단말은 PDCCH를 통하여 하향링크 제어 정보(Downlink Control Information, DCI)를 수신할 수 있다. 여기서, DCI는 단말에 대한 자원 할당 정보와 같은 제어 정보를 포함하며, 사용 목적에 따라 포맷이 서로 다르게 적용될 수 있다.
한편, 단말이 상향링크를 통해 기지국에 송신하는 또는 단말이 기지국으로부터 수신하는 제어 정보는 하향링크/상향링크 ACK/NACK 신호, CQI(Channel Quality Indicator), PMI(Precoding Matrix 인덱스), RI(Rank Indicator) 등을 포함할 수 있다. 단말은 상술한 CQI/PMI/RI 등의 제어 정보를 PUSCH 및/또는 PUCCH를 통해 송신할 수 있다.
C. 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.
D. 5G 통신을 이용한 AI 기본 동작
도 3은 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).
E. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 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 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 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 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.
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 4는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다. 도 5는 도 4에 도시된 세탁기의 주요 구성을 나타내는 블록도이다.
도 4 및 도 5를 참조하면, 본 발명의 실시 예에 따른 세탁기(10)는 제어부(100), 하드웨어부(200) 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 하드웨어(200)에 포함된 센싱부(250)를 통해서 세탁물 건조 상태와 관련된 정보를 획득하고, 세탁조(210), 모터(220) 또는 히터(240)를 통하여 세탁기(10)의 동작 상태와 관련된 정보를 획득한다. 제어부(100)는 획득한 정보를 샘플링(sampling)하고, 샘플링한 정보를 바탕으로 하드웨어(200)의 동작을 제어한다.
보다 구체적으로 제어부(100)는 내조(211)에 투입되어 안착된 세탁물을 분석하여 상기 세탁물의 건조와 관련된 샘플링 특성을 추출할 수 있다. 보다 구체적으로, 상기 샘플링 특성은 지능형 세탁기(10)의 동작 특성 및 세탁물의 건조와 관련된 특성을 포함하는데, 지능형 세탁기(10)의 동작과 관련된 특성은 내조(10)의 분당 회전수(RPM), 모터(220)의 전류값 및 히터(240)의 가열 온도를 포함하고, 상기 세탁물의 건조와 관련된 특성은 지능형 세탁기(10)의 물 보관함의 수위 레벨, 내조(10) 내의 습도 및 세탁물의 열 적외선 온도분포를 포함한다.
또한, 제어부(100)는 상기 특성들을 샘플링하여 내조(211)에 투입되어 안착된 세탁물의 완전 건조를 위해 필요한 시간인 완전 건조 잔여시간을 계산하여 예측할 수 있다.
하드웨어(200)는 세탁조(210), 모터(220), 급수 밸브(230), 히터(240) 및 센싱부(250)등을 포함할 수 있다. 센싱부(250)는 세탁조(210) 내부의 영상을 획득하는 카메라, 및 세탁조(210)에 안착된 세탁물의 무게를 측정하는 무게 센서 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 급수를 가열한다. 센싱부(250)는 내조(211)에 안착된 세탁물의 건조 상태를 감지한다.
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, 옵션 선택부(440)를 통해서 선택한 옵션 정보 또는 세탁물의 완전 건조를 위해 필요한 시간 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 상황이 될 수 있다.
통신모듈(190)은 무선랜 (WiFi), 블루투스(Bluetooth), IR(Infrared), UWB(Ultra Wideband), 지그비(Zigbee) 등 공지의 근거리 무선통신을 위한 통신모듈로 구성되거나, 3G, 4G, LTE, 5G 등의 이동통신 모듈로 구성될 수 있으며, 유선통신을 위한 공지의 통신포트로 구성될 수도 있다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 6을 살펴보면, AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 도 4 및 도 5에 도시된 세탁기(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
AI 프로세싱은 도 4에 도시된 세탁기(10)의 제어부(100)와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 세탁기(10)는 세탁물 이미지 또는 포 분류 정보 또는 포 분산 정보를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다.
AI 장치(20)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다. 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 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 세탁기(10)의 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 세탁기(10)의 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.
모델 학습부(24)는 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, 세탁기(10)의 촬영수단을 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. 예를 들어, 외부 전자 기기는 블루투스 장치, 자율주행 차량, 로봇, 드론, AR 기기, 모바일 기기, 가전 기기 등을 포함할 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 7은 본 발명의 실시 예에 따른 세탁 타이밍 제어방법을 나타내는 순서도이다. 도 7의 사용자가 부재중인 상태의 사용자 공간에 배치된 세탁기의 세탁 타이밍을 제어하는 방법에 관한 것이다. 사용자 공간은 세탁기가 배치된 것으로, 일례로 자택에 해당할 수 있다.
도 7을 참조하면, 본 발명의 실시 예에 따른 세탁 타이밍 제어방법은 제1 단계(S710)에서, 제어부(100)는 세탁 진행을 결정한다.
세탁 진행이 결정된 경우, 제2 단계(S720)에서, 제어부(100)는 세탁의 소요시간을 산출한다. 세탁의 소요시간은 세탁이 시작한 시점부터 세탁이 종료되는 시점까지의 시간 간격을 지칭하고, 세탁-헹굼-탈수 등의 일련의 과정을 모두 완료하는데에 소요되는 시간을 지칭한다.
제3 단계(S730)에서, 제어부(100)는 사용자의 복귀 시각을 예측한다. 복귀 시각은 일상적으로 반복되어 자택으로 돌아오는 시각을 지칭하며, 일례로 사용자가 퇴근하고 자택에 도착하는 시각일 수 있다.
제4 단계(S740)에서, 제어부(100)는 예측된 복귀시각에 대응하여 세탁이 종료되도록, 세탁의 시작 시각을 결정한다. 제어부(100)는 세탁 종료 시각이 예측된 복귀시각과 동일하도록 세탁 시작 시각을 결정할 수 있다. 또는, 사용자의 선택에 따라, 제어부(100)는 세탁 종료 시각이 복귀시각 보다 다소 늦도록 세탁 시작 시각을 결정할 수도 있다.
제1 단계(S710) 내지 제4 단계(S740)들 중에서 적어도 어느 하나의 단계는 인공지능 학습을 기반으로 수행될 수 있다.
도 8은 본 발명의 실시 예에 따른 인공지능 학습을 위한 타이밍 예측 모델을 설명하는 도면이다.
도 8을 참조하면, 제어부(100)는 타이밍 예측 모델을 이용하여 세탁기의 제어 타이밍을 결정할 수 있다.
타이밍 예측 모델은 입력값에 따른 특정 출력값을 도출하도록 학습을 진행한다. 입력값은 요일 정보, 시각 정보, 자택의 인원 정보, 세탁물 정보, GPS 정보 등을 포함한다. 출력값은 세탁의 소요시간일 수 있고, 사용자의 복귀 시각일 수 있다. 또는 세탁의 소요시간과 복귀 시각을 고려한 세탁의 시작 시각일 수 있다.
복수의 입력값들은 매칭되어 학습에 이용될 수 있다. 예를 들어, 특정 요일 정보에서 특정 시각 정보들에 따른 자택의 인원 정보 및 사용자의 GPS 정보가 매칭될 수 있다.
자택의 인원 정보는 자택에 있는 인원의 수를 지칭하고, PIR 센서(Passive infrared sensor)를 이용하여 획득될 수 있다. PIR 센서는 도 9에서 보는 바와 같이, 감지영역(DA) 내에서 인체의 복사열로 인해서 적외선 파장이 변하는 것을 감지하는 센서(SEN)를 포함한다. 프레넬 렌즈(Fresnel Lens)(FL)는 감지영역(DA)의 폭을 넓히고 감도를 높일 수 있다. 세탁기(10)의 제어부(100)는 자택의 현관 주위에 형성된 PIR 센서로부터 센싱 결과를 제공받아서, 이를 바탕으로 인원 정보를 획득할 수 있다.
이하, 세탁 타이밍 제어방법에서 각 단계의 보다 구체적인 동작을 살펴보면 다음과 같다.
도 10은 본 발명의 실시 예에 따른 세탁 진행을 결정하는 방법을 설명하는 순서도이다.
도 10을 참조하면, 제1 단계(S1000)에서, 제어부(100)는 세탁물의 양을 감지한다. 제어부(100)는 센싱부(250)의 카메라를 통해서 획득한 이미지를 분석하여 세탁조(210) 내에 안착된 세탁물의 양을 판단할 수 있다. 또는 제어부(100)는 센싱부(250)의 무게 센서를 이용하여 세탁조(210) 내에 안착된 세탁물의 양을 판단할 수 있다.
제2 단계(S1010)에서, 제어부(100)는 세탁물의 양이 미리 설정된 임계치 이상인지를 판단한다. 임계치는 세탁 진행을 결정하는 기준이 되는 것으로, 사용자가 설정할 수 있고, 세탁기가 세탁 효율을 고려하여 설정할 수 있다.
제3 단계(S1030)에서, 제어부(100)는 세탁물의 양이 임계치 이상일 경우, 세탁 진행을 결정한다.
도 11은 세탁 소요 시간을 산출하는 실시 예를 설명하는 순서도이다.
도 11을 참조하면, 세탁 소요 시간을 산출하기 위한 제1 단계(S1110)는 세탁물의 양을 판단한다. 세탁물의 양은 도 9에 도시된 제1 단계(S910)와 동일한 방법을 이용할 수 있다.
제2 단계(S1120)에서, 제어부(100)는 세탁물의 양을 판단한다. 제2 단계(S1120)는 도 10에 도시된 제1 단계(S1000)와 동일한 방법으로 진행될 수 있다.
제3 단계(S1130)에서, 제어부(100)는 세탁물의 포 분류 정보를 획득한다.
포 분류 정보는 세탁물의 종류, 재질 등에 대한 정보를 지칭하며, 세탁 코스 및 시간에 대한 영향을 주는 인자(factor)를 중심으로 분류될 수 있다. 제어부(100)는 센싱부(250)를 통해서 획득한 세탁물의 이미지를 분석하여 포 분류 정보를 획득할 수 있다.
제4 단계(S1140)에서, 제어부(100)는 세탁물의 양 및 포 분류 정보를 바탕으로 세탁 소요 시간을 산출할 수 있다. 예를 들어, 제어부(100)는 세탁물의 양에 비례하여 세탁 소요 시간을 산출할 수 있다. 또는 제어부(100)는 세탁물이 섬세한 포에 해당할 경우, 모터(220)의 RPM을 낮게 제어하면서 세탁 소요 시간을 길게 산출할 수 있다.
도 12는 본 발명의 실시 예에 따른 복귀 시각을 예측하는 방법을 설명하는 순서도이다.
도 12를 참조하면, 복귀 시각을 예측하는 방법은 제1 단계(S1210)에서 세탁 소요 시간과 복귀 소요 시간을 비교한다. 복귀 소요 시간은 사용자가 퇴근하는 시점부터 자택에 도착하는 시점까지의 소요 시간을 의미한다.
제2 단계(S1220)에서, 세탁 소요 시간이 복귀 소요 시간보다 길 경우, 제어부(100)는 누적 데이터를 학습하여 복귀 시각을 예측한다. 누적 데이터는 요일 정보 및 시각 정보를 매칭한 것일 수 있다.
제3 단계(S1230)에서, 세탁 소요 시간이 복귀 소요 시간보다 짧을 경우, 제어부(100)는 GPS 정보를 바탕으로 복귀 시각을 예측한다.
GPS 정보를 바탕으로 복귀 시각을 예측하는 방법을 살펴보면 다음과 같다.
도 13은 타이밍 예측 모델의 구성을 나타내는 도면이다.
도 13을 참조하면, 타이밍 예측 모델은 특징값 추출부(111) 및 학습부(113)를 포함한다.
특징값 추출부(features extractor)(111)는 입력값으로부터 유의미하고 중복되지 않은 특징값(features)을 추출한다. 특징값 추출부(111)는 차원 축소와 관련된다.
학습부(113)는 추출된 특징값을 훈련하여 특정 출력값을 도출한다.
학습부(113)는 서포트 벡터 머신(Support Vector Machine; 이하, 'SVM'), 최근접 이웃 알고리즘(K-Nearest Neighbor; 이하 'KNN'), 랜덤 포레스트(random_forest), 확률 그라이언트 하강(Stocahstic Gradient Descent; 이하, 'SGD'), 인공신경망(neural network; 이하, 'NN') 중에서 적어도 어느 하나를 이용할 수 있다.
SVM은 클래스를 구분하는 경계면과 트레인 샘플(Train sample) 사이의 거리인 마진을 최대화하도록 최적화를 진행하는 머신러닝 알고리즘을 지칭한다.
KNN은 입력이 특징 공간 내 k개의가장 가까운 훈련 데이터로 구성된 알고리즘을 지칭한다.
random_forest는　분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 훈련 과정에서 구성한 다수의 결정 트리로부터 분류 또는 평균치예측(회귀 분석)을 하는 방식이다.
SGD는 경사하강법(Gradient Descent)에서 실제 결과와 계산된 결과의 차이를 최소화하기 위해서 기울기를 구하는 방법에 일종이며, 매 스텝마다 일부 데이터에 대해서만 경사를 계산하여 계산량을 줄이는 방법을 지칭한다.
NN은 인간이 뇌를 통해 문제를 처리하는 방법과 비슷한 방법으로 문제를 해결하기 위해 컴퓨터에서 채택하고 있는 구조이다.
도 12의 제3 단계(S1230)에서 GPS 정보를 바탕으로 복귀 시각을 예측하기 위해서, 학습 모델의 입력값은 다음의 [표 1]에 나타난 정보들을 이용할 수 있다.
요일 시간 GPS 위도 GPS 경도 자택 위도 자택 경도 T_1 T_2
월 17:05 37.471098 127.027541 37.469066 126.866463 70 75
월 18:00 37.482098 126.927541 37.469066 126.866463
월 18:30 37.469066 126.866463 37.469066 126.866463
화 17:00 37.471098 127.027541 37.469066 126.866463 85 80
화 18:00 37.482098 126.927541 37.469066 126.866463
화 18:30 37.469066 126.866463 37.469066 126.866463
[표 1]을 참조하면, 복귀 시각을 예측하기 위한 입력값은 요일 정보, 시간 정보, GPS 정보 및 복귀 시간 정보들(T_1,T_2)을 포함할 수 있다.
GPS 정보는 사용자의 위치를 지시하는 사용자 단말기의 GPS 위도 정보, GPS 경도 정보를 포함할 수 있다.
복귀 시간 정보는 실시간 교통정보에 기반한 복귀 시간(T_1) 및 실제 소요된 복귀 시간(T_2)을 포함할 수 있다.
도 13에 도시된 타이밍 예측 모델은 [표 1]에서와 같은 입력값을 이용하여, 사용자의 복귀 시각을 예측할 수 있다.
도 13은 복귀 시간 이외에도 다른 출력값을 학습할 수도 있다. 예를 들어, 타이밍 예측 모델을 이용하여 세탁 시작 시각을 예측할 수도 있다.
다음의 [표 2]는 세탁 시작 시각을 예측하기 위한 입력값을 나타내는 표이다.
요일 시간 인원 세탁물 GPS 위도 GPS 경도 자택 위도 자택 경도
월 1 4 5 37.469066 126.866463 37.469066 126.866463
월 2 4 5 37.469066 126.866463 37.469066 126.866463
월 3 4 5 37.469066 126.866463 37.469066 126.866463
월 4 4 5 37.469066 126.866463 37.469066 126.866463
월 5 4 5 37.469066 126.866463 37.469066 126.866463
월 6 4 5 37.469066 126.866463 37.469066 126.866463
? ? ? ? . ... ? ?
[표 2]를 참조하면, 세탁 시작 시각을 예측하기 위한 입력값은 요일 정보, 시간 정보, 인원 정보, 세탁물 정보, GPS 정보들을 포함할 수 있다.
도 14는 세탁 타이밍 예측 방법을 기반으로 세탁기를 제어하는 방법을 나타내는 순서도이다.
도 14를 참조하면, 제1 단계(S1410)에서, 예측된 시간에 세탁을 시작한다.
제2 단계(S1420)에서, 예측되는 복귀 시각의 변화량을 모니터링한다.
제어부(100)는 사용자의 실시간 GPS 정보를 바탕으로 복귀 시각의 변화량을 모니터링할 수 있다. 사용자는 사용자 공간으로 복귀하는 과정에서 여러 변수로 인해서 복귀 시각이 변할 수 있다. 제어부(100)는 실시간 사용자의 GPS 정보를 수신하고, 이를 바탕으로 실시간으로 사용자의 복귀 시각을 다시 학습할 수 있다.
제3 단계(S1430)에서, 제어부(100)는 예측되는 복귀 시각의 변화량을 미리 설정된 임계시간과 비교한다.
제4 단계(S1440)에서, 제어부(100)는 예측되는 복귀 시각의 변화량이 미리 설정된 임계시간 이상일 경우에, 세탁 조건을 변경한다. 예를 들어, 임계시간이 10분일 경우, 제어부(100)는 예측된 복귀 시각이 10분 이상 빨라지거나 늦어질 경우 세탁 조건을 변경할 수 있다.
일례로, 제어부(100)는 예측되는 복귀 시각이 늦어질 경우, 헹굼 절차를 더 길게 진행할 수 있다. 또는 제어부(100)는 예측되는 복귀 시각이 빨라질 경우, 탈수 절차를 더 짧게 진행할 수 있다.
도 15는 본 발명의 다른 실시 예에 따른 세탁 타이밍 제어방법을 나타내는 도면이다.
도 15를 참조하면, 제어부(100)는 지능형 세탁기(10)의 입력 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신 모듈(490)을 제어할 수 있다. 또한, 제어부(100)는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 통신 모듈(490)를 제어할 수 있다. AI 프로세싱된 정보는, 세탁 시작 시각 예측 정보일 수 있다.
제어부(100)는 DCI에 기초하여 세탁기(10)의 입력정보를 네트워크로 전송할 수 있다(S1500). 입력 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 정보에 기초하여 AI 프로세싱을 수행할 수 있다.
AI 시스템은, 세탁기(10)로부터 수신된 입력 정보를 분석할 수 있다(S1510). AI 시스템은, 입력 정보를 분석한 결과에 기초하여, 세탁 시작 시각을 예측할 수 있다(S1520).
5G 네트워크는 AI 시스템에서 계산한 예측된 세탁 시작 시각를 무선 통신부를 통해 세탁기(10)로 전송할 수 있다(S1530).
본 발명이 적용될 수 있는 실시 예
실시 예 1: 사용자가 부재중인 상태의 사용자 공간에 배치된 세탁기의 세탁 타이밍 제어방법은 세탁 진행을 결정하는 단계; 상기 세탁의 소요시간을 산출하는 단계; 상기 사용자의 복귀 시각을 예측하는 단계; 및 상기 복귀시각에 대응하여 세탁이 종료되도록, 상기 세탁의 시작 시각을 결정하는 단계;를 포함한다.
실시 예 2: 실시 예1에서, 상기 세탁 진행은 상기 세탁기 내부에 적재된 세탁물의 양이 미리 설정된 임계치 이상일 경우에 결정될 수 있다.
실시 예 3: 실시 예2에서, 상기 세탁 소요 시간을 산출하는 단계는 상기 세탁물의 양을 판단하는 단계; 상기 세탁물의 포 분류 정보를 획득하는 단계; 및 상기 세탁물의 무게 및 상기 포 분류 정보를 학습하여 상기 세탁 소요 시간을 산출하는 단계를 포함할 수 있다.
실시 예 4: 실시 예1에서, 상기 복귀 시각을 예측하는 단계는 상기 세탁 소요 시간과 복귀 소요 시간을 비교하는 단계; 및 상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 길 경우, 누적된 복귀 시각을 학습하여 상기 복귀 시각을 예측하는 단계를 포함할 수 있다.
실시 예 5: 실시 예4에서, 상기 복귀 시각을 예측하는 단계는 상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 짧은 경우, 상기 사용자의 GPS 정보 및 실시간 교통정보를 인공지능 학습 모델의 입력값으로 학습을 수행할 수 있다.
실시 예 6: 실시 예5에서, 상기 복귀 시각을 예측하는 단계는, 요일별 특정 시각에 매칭되는 상기 GPS 정보을 상기 인공지능 학습 모델의 입력값으로 학습을 수행할 수 있다.
실시 예 7: 실시 예6에서, 상기 세탁 시작 시각을 결정하는 단계는, 상기 세탁물의 무게 정보, 요일별 특정 시각에 매칭되는 상기 GPS 정보, 및 요일별 특정 시각에 매칭되는 상기 사용자 공간의 인원 정보를 상기 인공지능 학습 모델의 입력값으로 학습을 수행할 수 있다.
실시 예 8: 실시 예7에서, 결정된 상기 세탁 시작 시각으로 세탁을 시작하는 단계; 예측되는 상기 복귀 시각의 변화량을 모니터링하는 단계; 및 예측되는 상기 복귀 시각의 변화량이 미리 설정된 임계치 이상일 경우, 세탁 조건을 변경하는 단계를 더 포함할 수 있다.
실시 예 9: 실시 예8에서, 상기 세탁 조건을 변경하는 단계는 예측되는 상기 복귀 시각이 늦어질 경우, 헹굼 절차를 더 길게 진행하는 것일 수 있다.
실시 예 10: 실시 예8에서, 상기 세탁 조건을 변경하는 단계는 예측되는 상기 복귀 시각이 빨라질 경우, 탈수 절차를 더 짧게 진행하는 것일 수 있다.
실시 예 11: 실시 예7에서, 상기 세탁의 시작 시각을 결정하는 단계는, 상기 인공지능 학습 모델의 입력값 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계; 를 더 포함하고, 상기 인공지능 학습 모델의 입력값 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
실시 예 12: 실시 예11에서, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계; 를 더 포함하고, 상기 인공지능 학습 모델의 입력값 정보는 PUSCH(Physical Uplink Shared Channel)를 통해 상기 네트워크로 전송되고, 상기 SSB와 상기 PUSCH의 DM-RS(Dedicated demodulation Reference Signal)는 QCL(Quasi-Co Location) type D에 대해 QCL되어 있을 수 있다.
실시 예 13: 본 발명의 실시 예에 따른 지능형 세탁기는 세탁물이 안착되는 세탁조; 상기 세탁조를 구동하는 모터; 및 상기 세탁조에 안착된 상기 세탁물의 양에 따라 세탁 소요 시간을 산출하여 세탁 진행을 결정하고, 부재중인 사용자의 복귀 시각을 예측하여 상기 복귀 시각에 대응하여 세탁이 종료되도록 상기 세탁의 시작 시각을 결정하는 제어부를 포함한다.
실시 예 14: 실시 예 13에서, 상기 제어부는, 상기 세탁물의 무게 및 포 분류 정보를 학습하여 상기 세탁 소요 시간을 산출할 수 있다.
실시 예 15: 실시 예 13에서, 상기 제어부는, 상기 세탁 소요 시간이 복귀 소요 시간 보다 길 경우, 누적된 복귀 시각을 학습하여 상기 복귀 시각을 예측할 수 있다.
실시 예 16: 실시 예15에서, 상기 제어부는, 상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 짧은 경우, 상기 사용자의 GPS 정보 및 실시간 교통정보를 인공지능 학습 모델의 입력값으로 학습을 수행하여 상기 복귀 시각을 예측할 수 있다.
실시 예 17: 실시 예 16에서, 상기 제어부는, 요일별 특정 시각에 매칭되는 상기 GPS 정보을 상기 인공지능 학습 모델의 입력값으로 학습을 수행하여 상기 복귀 시각을 예측할 수 있다.
실시 예 18: 실시 예17에서, 상기 제어부는, 세탁물의 무게 정보, 요일별 특정 시각에 매칭되는 상기 GPS 정보, 및 요일별 특정 시각에 매칭되는 상기 사용자 공간의 인원 정보를 상기 인공지능 학습 모델의 입력값으로 학습을 수행하여, 상기 세탁 시작 시각을 결정할 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.
상술한 실시 예에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 예에 포함되며, 반드시 하나의 실시 예에만 한정되는 것은 아니다. 나아가, 각 실시 예에서 예시된 특징, 구조, 효과 등은 실시 예들이 속하는 분야의 통상의 지식을 가지는 자에 의하여 다른 실시 예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (19)

  1. 사용자가 부재중인 상태의 사용자 공간에 배치된 세탁기의 세탁 타이밍 제어방법에 있어서,
    세탁 진행을 결정하는 단계;
    상기 세탁의 소요시간을 산출하는 단계;
    상기 사용자의 복귀 시각을 예측하는 단계; 및
    상기 복귀시각에 대응하여 세탁이 종료되도록, 상기 세탁의 시작 시각을 결정하는 단계;
    를 포함하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  2. 제 1 항에 있어서,
    상기 세탁 진행은,
    상기 세탁기 내부에 적재된 세탁물의 양이 미리 설정된 임계치 이상일 경우에 결정되는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  3. 제 2 항에 있어서,
    상기 세탁 소요 시간을 산출하는 단계는
    상기 세탁물의 양을 판단하는 단계;
    상기 세탁물의 포 분류 정보를 획득하는 단계; 및
    상기 세탁물의 무게 및 상기 포 분류 정보를 학습하여 상기 세탁 소요 시간을 산출하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  4. 제 1 항에 있어서,
    상기 복귀 시각을 예측하는 단계는
    상기 세탁 소요 시간과 복귀 소요 시간을 비교하는 단계; 및
    상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 길 경우, 누적된 복귀 시각을 학습하여 상기 복귀 시각을 예측하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  5. 제 4 항에 있어서,
    상기 복귀 시각을 예측하는 단계는
    상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 짧은 경우, 상기 사용자의 GPS 정보 및 실시간 교통정보를 인공지능 학습 모델의 입력값으로 학습을 수행하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  6. 제 5 항에 있어서,
    상기 복귀 시각을 예측하는 단계는,
    요일별 특정 시각에 매칭되는 상기 GPS 정보을 상기 인공지능 학습 모델의 입력값으로 학습을 수행하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  7. 제 6 항에 있어서,
    상기 세탁 시작 시각을 결정하는 단계는,
    상기 세탁물의 무게 정보, 요일별 특정 시각에 매칭되는 상기 GPS 정보, 및 요일별 특정 시각에 매칭되는 상기 사용자 공간의 인원 정보를 상기 인공지능 학습 모델의 입력값으로 학습을 수행하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  8. 제 7 항에 있어서,
    결정된 상기 세탁 시작 시각으로 세탁을 시작하는 단계;
    예측되는 상기 복귀 시각의 변화량을 모니터링하는 단계; 및
    예측되는 상기 복귀 시각의 변화량이 미리 설정된 임계치 이상일 경우, 세탁 조건을 변경하는 단계를 더 포함하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  9. 제 8 항에 있어서,
    상기 세탁 조건을 변경하는 단계는
    예측되는 상기 복귀 시각이 늦어질 경우, 헹굼 절차를 더 길게 진행하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  10. 제 8 항에 있어서,
    상기 세탁 조건을 변경하는 단계는
    예측되는 상기 복귀 시각이 빨라질 경우, 탈수 절차를 더 짧게 진행하는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  11. 제 7 항에 있어서,
    상기 세탁의 시작 시각을 결정하는 단계는,
    상기 인공지능 학습 모델의 입력값 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계; 를 더 포함하고,
    상기 인공지능 학습 모델의 입력값 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  12. 제 11 항에 있어서,
    SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계; 를 더 포함하고,
    상기 인공지능 학습 모델의 입력값 정보는 PUSCH(Physical Uplink Shared Channel)를 통해 상기 네트워크로 전송되고,
    상기 SSB와 상기 PUSCH의 DM-RS(Dedicated demodulation Reference Signal)는 QCL(Quasi-Co Location) type D에 대해 QCL되어 있는 것을 특징으로 하는 지능형 세탁기를 이용한 세탁 타이밍 제어방법.
  13. 세탁물이 안착되는 세탁조;
    상기 세탁조를 구동하는 모터; 및
    상기 세탁조에 안착된 상기 세탁물의 양에 따라 세탁 소요 시간을 산출하여 세탁 진행을 결정하고, 부재중인 사용자의 복귀 시각을 예측하여 상기 복귀 시각에 대응하여 세탁이 종료되도록 상기 세탁의 시작 시각을 결정하는 제어부;
    를 포함하는 지능형 세탁기.
  14. 제 13 항에 있어서,
    상기 제어부는,
    상기 세탁물의 무게 및 포 분류 정보를 학습하여 상기 세탁 소요 시간을 산출하는 것을 특징으로 하는 지능형 세탁기.
  15. 제 13 항에 있어서,
    상기 제어부는,
    상기 세탁 소요 시간이 복귀 소요 시간 보다 길 경우, 누적된 복귀 시각을 학습하여 상기 복귀 시각을 예측하는 것을 특징으로 하는 지능형 세탁기.
  16. 제 15 항에 있어서,
    상기 제어부는,
    상기 세탁 소요 시간이 상기 복귀 소요 시간 보다 짧은 경우, 상기 사용자의 GPS 정보 및 실시간 교통정보를 인공지능 학습 모델의 입력값으로 학습을 수행하여 상기 복귀 시각을 예측하는 것을 특징으로 하는 지능형 세탁기.
  17. 제 16 항에 있어서,
    상기 제어부는,
    요일별 특정 시각에 매칭되는 상기 GPS 정보을 상기 인공지능 학습 모델의 입력값으로 학습을 수행하여 상기 복귀 시각을 예측하는 것을 특징으로 하는 지능형 세탁기.
  18. 제 17 항에 있어서,
    상기 제어부는,
    세탁물의 무게 정보, 요일별 특정 시각에 매칭되는 상기 GPS 정보, 및 요일별 특정 시각에 매칭되는 상기 사용자 공간의 인원 정보를 상기 인공지능 학습 모델의 입력값으로 학습을 수행하여, 상기 세탁 시작 시각을 결정하는 것을 특징으로 하는 지능형 세탁기.
  19. 제 18 항에 있어서
    상기 제어부는,
    상기 세탁 시작 시각으로 세탁을 시작한 이후 상기 복귀 시각의 변화량을 모니터링하고, 상기 복귀 시각의 변화량이 미리 설정된 임계치 이상일 경우, 세탁 조건을 변경하는 것을 특징으로 하는 지능형 세탁기.
KR1020190107976A 2019-09-02 2019-09-02 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법 KR20190107610A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190107976A KR20190107610A (ko) 2019-09-02 2019-09-02 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법
US16/588,450 US11245544B2 (en) 2019-09-02 2019-09-30 Intelligent washing machine and method for controlling washing timing using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190107976A KR20190107610A (ko) 2019-09-02 2019-09-02 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법

Publications (1)

Publication Number Publication Date
KR20190107610A true KR20190107610A (ko) 2019-09-20

Family

ID=68067623

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190107976A KR20190107610A (ko) 2019-09-02 2019-09-02 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법

Country Status (2)

Country Link
US (1) US11245544B2 (ko)
KR (1) KR20190107610A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210207306A1 (en) * 2020-01-07 2021-07-08 Lg Electronics Inc. Artificial intelligence washing machine and operation method thereof
CN113957657A (zh) * 2020-07-21 2022-01-21 青岛海尔洗衣机有限公司 共享洗衣机推荐方法、设备及***
US11936732B2 (en) 2020-07-30 2024-03-19 Samsung Electronics Co., Ltd. Internet of things based clothing processing apparatus, and control method thereof

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210238787A1 (en) * 2019-05-26 2021-08-05 Nurpsphere Inc Appliance Comprising Weight Sensing Technology
US11849908B2 (en) * 2019-06-05 2023-12-26 Lg Electronics Inc. Method of providing intelligent voice recognition model for voice recognition device
KR20210059532A (ko) * 2019-11-15 2021-05-25 엘지전자 주식회사 가전기기 및 가전기기 제어 방법
CN114687111B (zh) * 2020-12-25 2024-04-30 深圳Tcl新技术有限公司 洗衣机控制方法、装置、设备及计算机可读存储介质
US11821126B2 (en) 2021-06-04 2023-11-21 Haier Us Appliance Solutions, Inc. Automatic self clean cycle start using artificial intelligence in a laundry appliance

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005034180A (ja) * 2003-07-15 2005-02-10 Matsushita Electric Ind Co Ltd 洗濯機
AU2010338451B2 (en) * 2009-12-16 2015-03-05 Electrolux Home Products Corporation N.V. Washing machine

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210207306A1 (en) * 2020-01-07 2021-07-08 Lg Electronics Inc. Artificial intelligence washing machine and operation method thereof
US11739458B2 (en) * 2020-01-07 2023-08-29 Lg Electronics Inc. Artificial intelligence washing machine and operation method thereof
CN113957657A (zh) * 2020-07-21 2022-01-21 青岛海尔洗衣机有限公司 共享洗衣机推荐方法、设备及***
CN113957657B (zh) * 2020-07-21 2024-01-09 青岛海尔洗衣机有限公司 共享洗衣机推荐方法、设备及***
US11936732B2 (en) 2020-07-30 2024-03-19 Samsung Electronics Co., Ltd. Internet of things based clothing processing apparatus, and control method thereof

Also Published As

Publication number Publication date
US20200024792A1 (en) 2020-01-23
US11245544B2 (en) 2022-02-08

Similar Documents

Publication Publication Date Title
KR20190107610A (ko) 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법
KR20210023034A (ko) 지능형 세탁기를 이용한 세탁물 건조 방법 및 이를 위한 장치
US10968555B2 (en) Method for inspecting unbalance error of washing machine and washing machine
KR20190103090A (ko) 연합학습(Federated　learning)을　통한 단말의 POI 데이터를 생성하는 모델의 학습방법 및 이를 위한 장치
US20200063315A1 (en) Method and apparatus for compensating vibration of deep-learning based washing machine
KR20190096872A (ko) 연합학습(Federated　learning)을　통한　필기체　인식방법 및 이를 위한 장치
US11746457B2 (en) Intelligent washing machine and control method thereof
US20220349102A1 (en) Intelligent washing machine
US11514316B2 (en) Method and apparatus for inspecting defects in washer based on deep learning
KR20190108086A (ko) 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스
US20200024788A1 (en) Intelligent vibration predicting method, apparatus and intelligent computing device
US11615760B2 (en) Controlling of device based on user recognition utilizing vision and speech features
US11741424B2 (en) Artificial intelligent refrigerator and method of storing food thereof
KR20210052920A (ko) 무빙 행거를 이용한 의류 관리
KR20210087792A (ko) 사용자 인증
US20210332519A1 (en) Intelligent washing machine and control method thereof
US20210324560A1 (en) Intelligent washing machine and control method of the same
KR20190104949A (ko) 인공 지능형 의류 처리 장치와 그 구동방법
US20210195117A1 (en) Apparatus and method for obtaining image
KR102225439B1 (ko) 지능형 냉장 장치 및 이를 제어하기 위한 방법
US11359319B2 (en) Intelligent washing machine and method for controlling ball balancer using the same
US20210224542A1 (en) Profiling based on personal region of interest
US10936062B2 (en) Intelligent device and method of information displaying with projection type using the same
KR20190106919A (ko) 지능형 디바이스 및 그 제어 방법
KR20210106685A (ko) 지능형 조리장치의 제어