KR20210056146A - 고장 진단을 하는 인공 지능 장치 및 그 방법 - Google Patents
고장 진단을 하는 인공 지능 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20210056146A KR20210056146A KR1020190142874A KR20190142874A KR20210056146A KR 20210056146 A KR20210056146 A KR 20210056146A KR 1020190142874 A KR1020190142874 A KR 1020190142874A KR 20190142874 A KR20190142874 A KR 20190142874A KR 20210056146 A KR20210056146 A KR 20210056146A
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- external device
- audio
- spectral density
- frequency
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims description 40
- 230000003595 spectral effect Effects 0.000 claims abstract description 81
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000004891 communication Methods 0.000 claims abstract description 28
- 230000005236 sound signal Effects 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 12
- 230000007257 malfunction Effects 0.000 claims description 7
- 230000002459 sustained effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 36
- 230000006870 function Effects 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 26
- 230000003993 interaction Effects 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000015541 sensory perception of touch Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/001—Monitoring arrangements; Testing arrangements for loudspeakers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/02—Casings; Cabinets ; Supports therefor; Mountings therein
- H04R1/028—Casings; Cabinets ; Supports therefor; Mountings therein associated with devices performing functions other than acoustics, e.g. electric candles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/004—Monitoring arrangements; Testing arrangements for microphones
- H04R29/005—Microphone arrays
-
- 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
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
- H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
- H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
- H04R1/406—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers microphones
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/004—Monitoring arrangements; Testing arrangements for microphones
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R3/00—Circuits for transducers, loudspeakers or microphones
- H04R3/005—Circuits for transducers, loudspeakers or microphones for combining the signals of two or more microphones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L2021/02082—Noise filtering the noise being echo, reverberation of the speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Otolaryngology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
본 발명은 외부 장치의 에코 캔슬레이션을 위한 시간 도메인의 레퍼런스 신호를 수신하는 통신 인터페이스, 시간 도메인의 레퍼런스 신호에 기초하여 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 적어도 하나의 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별하고, 기 설정된 스펙트럼 밀도 기준치 이하인 경우 외부 장치의 오디오 부품에 대한 고장 발생으로 판별하는 프로세서를 포함하는 인공 지능 장치를 제공한다.
Description
본 개시는 외부 장치의 고장을 진단하는 인공 지능 장치 및 그 방법에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.
그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.
한편, 최근 사람의 음성을 인식하여 도움을 주는 로봇이 늘고 있다.
그러나, 로봇의 마이크 또는 오디오 보드에 불량이 발생하는 경우 음성인식이 수행되지 않는 문제가 발생하고 있다.
이 경우, 로봇에서 불량이 발생한 부품 및 불량의 원인을 확인하기 위하여 전문가가 로봇을 수거하여 진단을 해야 하는 문제가 발생하고 있다.
따라서, 로봇의 고장 진단을 할 수 있는 인공 지능 장치의 필요성이 증대하고 있다.
본 개시는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 개시는 원격으로 마이크 또는 오디오 부품을 고장 진단하는 인공 지능 장치의 제공을 목적으로 한다.
본 개시는 마이크 또는 오디오 부품의 고장을 해결하기 위한 조치 사항을 안내하는 인공 지능 장치의 제공을 목적으로 한다.
본 개시는 로봇의 스피커를 통해 출력된 오디오 신호를 다시 녹음한 신호를 이용하여 로봇의 마이크 또는 오디오 부품의 고장을 진단하고 고장을 해결하기 위한 조치 사항을 안내하는 인공 지능 장치의 제공을 목적으로 한다.
본 개시의 일 실시 예는 외부 장치의 에코 캔슬레이션을 위한 시간 도메인의 레퍼런스 신호를 수신하는 통신 인터페이스, 시간 도메인의 레퍼런스 신호에 기초하여 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 적어도 하나의 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별하고, 기 설정된 스펙트럼 밀도 기준치 이하인 경우 외부 장치의 오디오 부품에 대한 고장 발생으로 판별하는 프로세서를 포함하는 인공 지능 장치를 제공한다.
또한, 본 개시의 일 실시 예는 외부 장치의 에코 캔슬레이션을 위한 시간 도메인의 레퍼런스 신호를 수신하는 단계, 시간 도메인의 레퍼런스 신호에 기초하여 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 적어도 하나의 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치를 이하인지 여부를 판별하는 단계 및 기 설정된 스펙트럼 밀도 기준치 이하인 경우 외부 장치의 오디오 부품에 대한 고장 발생으로 판별하는 단계를 포함하는 고장 진단 방법을 제공한다.
본 개시의 실시 예에 따르면, 외부 장치의 마이크 또는 오디오 보드에 대한 고장을 진단하고 고장 발생 알림을 전송할 수 있다.
또한, 본 개시의 다양한 실시 예에 따르면, 외부 장치의 마이크로폰에 대한 고장을 진단하고 고장 발생 알림을 전송할 수 있다.
또한, 본 개시의 다양한 실시 예에 따르면, 외부 장치의 고장을 원격에서 진단하여 전문가의 직접적인 도움 없이도 수리를 쉽게 할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)의 일 예를 나타낸 도면이다.
도 5는 본 개시의 일 실시 예에 따른 외부 장치(300)를 나타낸다.
도 6은 본 개시의 일 실시 예에 따른 외부 장치(300)의 예시도이다.
도 7은 본 개시의 일 실시 예에 따른 레퍼런스 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
도 8은 본 개시의 일 실시 예에 따른 레퍼런스 신호를 나타낸 도면이다.
도 9는 본 개시의 일 실시 예에 따른 레퍼런스 신호의 파워 스펙트럼 밀도를 나타낸 도면이다.
도 10은 본 개시의 일 실시 예에 따른 오디오 녹음 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
도 11은 본 개시의 일 실시 예에 따른 오디오 녹음 신호를 나타낸 도면이다.
도 12는 본 개시의 일 실시예에 따른 이상 신호를 검출하는 과정을 설명하기 위한 도면이다.
도 13은 본 개시의 일 실시예에 따른 복수의 오디오 녹음 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
도 14(a) 및 도14(b)는 본 개시의 일 실시예에 따른 복수의 오디오 녹음 신호 각각을 나타낸 도면이다.
도 15는 본 개시의 일 실시예에 따른 복수의 오디오 녹음 신호 각각의 스펙트럼 밀도의 차이를 비교한 표를 나타낸 도면이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)의 일 예를 나타낸 도면이다.
도 5는 본 개시의 일 실시 예에 따른 외부 장치(300)를 나타낸다.
도 6은 본 개시의 일 실시 예에 따른 외부 장치(300)의 예시도이다.
도 7은 본 개시의 일 실시 예에 따른 레퍼런스 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
도 8은 본 개시의 일 실시 예에 따른 레퍼런스 신호를 나타낸 도면이다.
도 9는 본 개시의 일 실시 예에 따른 레퍼런스 신호의 파워 스펙트럼 밀도를 나타낸 도면이다.
도 10은 본 개시의 일 실시 예에 따른 오디오 녹음 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
도 11은 본 개시의 일 실시 예에 따른 오디오 녹음 신호를 나타낸 도면이다.
도 12는 본 개시의 일 실시예에 따른 이상 신호를 검출하는 과정을 설명하기 위한 도면이다.
도 13은 본 개시의 일 실시예에 따른 복수의 오디오 녹음 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
도 14(a) 및 도14(b)는 본 개시의 일 실시예에 따른 복수의 오디오 녹음 신호 각각을 나타낸 도면이다.
도 15는 본 개시의 일 실시예에 따른 복수의 오디오 녹음 신호 각각의 스펙트럼 밀도의 차이를 비교한 표를 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)의 일 예를 나타낸 도면이다.
도 4를 참조하면, 인공 지능 시스템(1)은 인공 지능 장치(100), 인공 지능 서버(200) 및 외부 장치(300)를 포함할 수 있다.
인공 지능 장치(100), 인공 지능 서버(200) 및 외부 장치(300)는 유무선 통신 기술을 이용하여 서로 통신할 수 있다.
또한, 인공 지능 장치(100)는 적어도 하나 이상의 외부 장치(300)의 식별정보를 저장할 수 있다. 인공 지능 장치(100)는 적어도 하나 이상의 외부 장치(300) 각각을 식별할 수 있다.
외부 장치(300)는 스스로 주행하여 움직일 수 있는 로봇을 포함할 수 있다. 예를 들어, 외부 장치(300)는 공항 등과 같은 공공장소에서 사용자의 음성을 인식하여 안내를 할 수 있는 로봇을 포함할 수 있다.
또한, 외부 장치(300) 각각은 직접 또는 인공 지능 서버(200)를 통하여 인공 지능 장치(100)와 데이터를 송수신할 수 있다.
도 5는 본 개시의 일 실시 예에 따른 외부 장치(300)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
입력부(320)는 영상 신호 입력을 위한 카메라(321), 오디오 신호를 수신하기 위한 마이크로폰(322), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(323)를 포함할 수 있다.
카메라(321)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(351)에 표시되거나 메모리(370)에 저장될 수 있다.
마이크로폰(322)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 외부 장치(300)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(322)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(323)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(323)를 통해 정보가 입력되면, 프로세서(380)는 입력된 정보에 대응되도록 외부 장치(300)의 동작을 제어할 수 있다.
사용자 입력부(323)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 외부 장치(300)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
출력부(350)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(351), 음향 출력부(352), 햅팁 모듈(353), 광 출력부(354) 중 적어도 하나를 포함할 수 있다.
디스플레이부(351)는 외부 장치(300)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(351)는 외부 장치(300)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(351)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 외부 장치(300)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(323)로써 기능함과 동시에, 외부 장치(300)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(352)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(310)로부터 수신되거나 메모리(370)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(352)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(353)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(353)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(354)는 외부 장치(300)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 외부 장치(300)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
한편, 외부 장치(300)는 음향 출력부(252)의 스피커로 출력될 오디오 신호를 생성하는 오디오 신호 생성부(미도시)를 포함할 수 있다. 프로세서(380)는 오디오 신호 생성부에서 생성된 오디오 신호를 외부 장치(300)의 음향 출력부(252)로 출력되도록 제어할 수 있다.
한편, 외부 장치(300)의 스피커로 오디오 신호가 출력되는 경우, 외부 장치(300)의 마이크로폰이 스피커를 통해 출력된 오디오 신호를 다시 입력 받음으로 인하여 에코 현상이 발생할 수 있다.
따라서, 외부 장치(300)는 에코 현상을 막기 위해 에코 캔슬레이션을 수행하는 오디오 보드(미도시)를 더 포함할 수 있다.
오디오 보드는 오디오 케이블을 통해 오디오 신호 생성부에서 생성된 제1 오디오 신호를 획득할 수 있다. 오디오 케이블을 통해 오디오 보드에 입력되는 제1 오디오 신호를 에코 캔슬레이션을 위한 레퍼런스 신호라 명명할 수도 있다. 이 경우 레퍼런스 신호는 시간 도메인의 오디오 신호일 수 있다.
또한, 오디오 보드는 외부 장치(300)의 마이크로폰이 입력 받은 제2 오디오 신호를 획득할 수 있다. 오디오 보드는 제1 오디오 신호 및 제2 오디오 신호를 이용하여 에코 캔슬레이션을 수행할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 외부 장치(300)의 예시도이다.
외부 장치(300)는 사용자와 음성으로 상호 작용이 가능한 로봇일 수 있다. 외부 장치(300)는 스스로 주행하며 사용자의 길 안내를 돕는 역할을 하는 로봇일 수 있다.
외부 장치(300)는 적어도 하나 이상의 음향출력부(352)를 머리 모양의 본체에 구비할 수 있다. 예를 들어, 머리 모양의 본체의 측면 각각에 음향출력부(352)가 설치될 수 있다. 이 경우, 음향출력부(352)는 스피커를 포함할 수 있다.
또한, 외부 장치(300)는 외부 소리를 입력 받기 위해 적어도 하나의 마이크로폰(322)을 몸통 모양의 본체에 구비할 수 있다. 예를 들어, 몸통 모양의 본체의 전면에 적어도 하나 이상의 마이크로폰(322)이 설치될 수 있다. 또한, 외부 장치(300)는 몸통 모양의 본체 뒷면에 적어도 하나 이상의 예비용 마이크로폰(322)을 보관하고 있을 수 있으며, 다른 마이크로폰(322)에 고장이 발생하는 경우 고장이 발생한 마이크로폰을 대체하여 사용될 수 있다.
도 7은 본 개시의 일 실시 예에 따른 레퍼런스 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
통신부(110)는 외부 장치(300)의 에코 캔슬레이션을 위한 시간 도메인의 레퍼런스 신호를 수신할 수 있다(S701).
통신부(110)는 통신 인터페이스로 명명될 수 있다.
외부 장치(300)의 오디오 케이블에 고장이 발생한 경우, 에코 캔슬레이션을 위한 레퍼런스 신호가 외부 장치(300)의 오디오 보드로 제대로 입력되지 않는 문제가 발생할 수 있다. 따라서, 인공 지능 장치(100)는 외부 장치(300)로부터 에코 캔슬레이션을 위한 레퍼런스 신호를 수신하여 레퍼런스 신호에 대한 테스트를 진행함으로써 외부 장치(300)의 오디오 케이블에 고장이 발생하였는지를 진단할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 레퍼런스 신호를 나타낸 도면이다.
레퍼런스 신호는 소정의 주파수로 지속되는 일정한 진폭 레벨의 톤(Tone) 신호, 단위 시간 당 소정의 주파수 율로 주파수가 증가하는 스윕(Sweep) 신호 및 소정 범위의 주파수 성분을 포함하는 백색 잡음(White noise) 신호 중 적어도 하나를 포함할 수 있다.
예를 들어, 도 8을 참고하면, 레퍼런스 신호는 300Hz의 주파수의 톤 신호(801), 1000Hz의 주파수의 톤 신호(802, 805, 806), 3000Hz의 톤 신호(803), 6000Hz의 톤 신호(804) 및 단위 시간 당 소정의 주파수 율로 주파수가 증가하는 스윕(Sweep) 신호(807, 808) 중 적어도 하나를 포함할 수 있다.
한편, 레퍼런스 신호는 시간 도메인의 레퍼런스 신호일 수 있다. 시간 도메인의 레퍼런스 신호는 시간 단위(ms) 또는 프레임 단위(frame)로 표현될 수도 있다.
한편, 메모리(170)는 각 레퍼런스 신호에 포함되어 있는 각 신호마다 소정의 주파수가 검출되어야 하는 지점에 대한 정보를 저장할 수 있다. 주파수가 검출되어야 하는 시점은 통신부(110)를 통해 수신한 정보일 수도 있다. 또한, 지점은 시간 단위 또는 프레임 단위로 표현될 수 있다.
예를 들어, 도 8을 참고하면, 300hz의 주파수가 검출되어야 하는 시점은 0(‘시작 시점’), t6 및 t7이 될 수 있다. 또한, 1000Hz의 주파수가 검출되어야 하는 시점은 t1, t4, t5가 될 수 있다. 또한, 3000Hz의 주파수가 검출되어야 하는 시점은 t2가 될 수 있다. 또한, 6000Hz의 주파수가 검출되어야 하는 시점은 t3이 될 수 있다.
프로세서(180)는 레퍼런스 신호에 대하여 스펙트럼 밀도 테스트를 수행할 수 있다(S702).
스펙트럼 밀도는 파워 스펙트럼 밀도를 포함할 수 있다.
프로세서(180)는 시간 도메인의 레퍼런스 신호에 기초하여 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 적어도 하나의 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별할 수 있다.
예를 들어, 테스트 대상 주파수가 300Hz인 경우, 300Hz의 스펙트럼 밀도가 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하 인지 여부를 판별할 수 있다. 한편, 테스트 대상 시점은 300Hz의 주파수가 검출되어야 하는 시점일 수 있다. 예를 들어, 0(‘시작 시점’), t6 및 t7이 될 수 있다. 따라서, 0(‘시작 시점’), t6 및 t7에서의 300Hz의 파워 스펙트럼 밀도가 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별할 수 있다.
예를 들어, 외부 장치(300)의 오디오 신호 생성부에서 생성된 레퍼런스 신호가 오디오 케이블 고장으로 인하여 오디오 보드에 제대로 입력되지 않은 경우, 프로세서(180)는 외부 장치(300)로부터 수신한 레퍼런스 신호가 테스트 대상 시점(0, t6 및 t7)에서의 300Hz의 파워 스펙트럼 밀도가 설정된 스펙트럼 밀도 기준치 이하로 판별할 수 있다.
한편, 외부 장치(300)의 오디오 보드의 소프트웨어 드라이버 로딩 지연 등으로 인하여, 오디오 보드로 입력되는 레퍼런스 신호에 대한 녹음 시작 시간이 지연될 수 있다. 따라서, 프로세서(180)는 테스트 대상 시점에 대한 녹음 시작 시간에 기초하여 보정을 수행할 수 있다.
도 9를 참조하면, 도 9는 도8의 레퍼런스 신호의 300Hz 의 파워 스펙트럼 밀도 값을 y축으로 하고, 프레임 단위를 x축으로 표현한 그래프이다.
도 9의 300Hz의 파워 스펙트럼 밀도 그래프를 참고하면, 300Hz의 파워 스펙트럼 밀도가 0 프레임에서부터 일정한 값 이상이어야 하나, 외부 장치(300)의 오디오 보드의 소프트웨어 드라이버 로딩 지연 등으로 인하여 레퍼런스 신호에 대한 녹음 시작 시간이 f0만큼 지연 될 수 있다.
따라서, 프로세서(180)는 녹음 시작 시간인 f0를 획득하고 테스트 대상 시점을 보정할 수 있다.
프로세서(180)는 시간 도메인의 레퍼런스 신호가 녹음 되기 시작한 녹음 시작 시간을 판별할 수 있다.
프로세서(180)는 시간 도메인의 레퍼런스 신호를 주파수 도메인으로 변환할 수 있다. 예를 들어, 프로세서(180)는 시간 도메인의 레퍼런스 신호를 단구간 푸리에 변환(STFT, Short-Time Fourier Transform)을 이용하여 주파수 도메인의 레퍼런스 신호로 변환할 수 있다.
또한, 프로세서(180)는 시간 도메인의 레퍼런스 신호가 시작되는 시작 주파수를 획득할 수 있다.
예를 들어, 도 8을 참고하면, 프로세서(180)는 레퍼런스 신호가 시작되는 톤 신호(801)의 300Hz의 주파수를 시작 주파수로 획득할 수 있다.
또한, 프로세서(180)는 프로세서(180)는 주파수 도메인의 레퍼런스 신호에 대하여 시작 주파수의 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치를 초과하는 시점을 상기 시간 도메인의 레퍼런스 신호가 녹음되기 시작한 녹음 시작 시점으로 판별할 수 있다.
예를 들어, 도 9를 참고하면, 프로세서(180)는 주파수 도메인의 레퍼런스 신호에 대하여 시작 주파수 300Hz의 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치인 6을 초과하는 시점 f0를 상기 시간 도메인의 레퍼런스 신호가 녹음되기 시작한 녹음 시작 시점으로 판별할 수 있다.
또한, 프로세서(180)는 주파수 도메인의 레퍼런스 신호에 대하여 적어도 하나의 테스트 대상 주파수의 스펙트럼 밀도가 녹음 시작 시점에 기초하여 보정된 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별할 수 있다(S703).
예를 들어, 프로세서(180)는 3개의 테스트 대상 시점 0, t6 및 t7에서의 300Hz의 파워 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별하는 경우, 테스트 대상 시점을 녹음 시작 시점 f0에 기초하여 보정할 수 있다. 보정된 테스트 대상 시점은 0+f0, t6+f0 및 t7+f0가 될 수 있다.
프로세서(180)는 테스트 대상 주파수 300Hz의 파워 스펙트럼 밀도가 녹음 시작 시점에 기초하여 보정된 테스트 대상 시점 0+f0, t6+f0 및 t7+f0에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별할 수 있다.
예를 들어, 프로세서(180)는 기 설정된 스펙트럼 밀도 기준치가 14인 경우, 보정된 테스트 대상 시점 0+f0, t6+f0 및 t7+f0에서의 파워 스펙트럼 밀도가 기준치 이하인 것으로 판별할 수 있다.
또한, 프로세서(180)는 복수의 테스트 대상 주파수(300Hz, 1000Hz, 3000Hz 및 6000Hz) 각각의 파워 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별할 수 있다.
한편, 프로세서(180)는 테스트 대상 주파수의 파워 스펙트럼 밀도가 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인 경우, 외부 장치(300)의 오디오 부품에 고장이 발생한 것으로 판별할 수 있다(S704).
또한, 프로세서(180)는 테스트 대상 주파수의 파워 스펙트럼 밀도가 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인 경우, 외부 장치(300)의 오디오 케이블에 고장이 발생한 것으로 판별할 수 있다.
프로세서(180)는 통신부(110)를 통해 외부 장치(300)로 오디오 케이블에 대한 고장 발생 알림을 전송할 수 있다(S705).
한편, 프로세서(180)는 테스트 대상 주파수의 파워 스펙트럼 밀도가 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하가 아닌 경우, 외부 장치(300)의 오디오 부품이 정상인 것으로 판별할 수 있다(S706).
도 10은 본 개시의 일 실시 예에 따른 오디오 녹음 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
통신부(110)는 외부 장치(300)의 음향 출력부(350)의 스피커에서 출력된 오디오 신호를 외부 장치(300)의 입력부(320)의 마이크로폰(322)이 녹음한 오디오 녹음 신호를 수신할 수 있다(S1001).
외부 장치(300)의 오디오 보드에 고장이 발생한 경우, 외부 장치(300)의 마이크로폰(322)이 녹음한 오디오 녹음 신호에 이상 신호가 녹음될 수 있다.
외부 장치(300)의 음향 출력부(350)의 스피커에서 출력된 오디오 신호는 소정의 주파수로 지속되는 일정한 진폭 레벨의 톤 신호를 포함할 수 있다.
따라서, 인공 지능 장치(100)는 외부 장치(300)로부터 오디오 녹음 신호를 수신하여 이상 신호를 검출함으로써, 오디오 보드에 고장이 발생하였는지를 진단할 수 있다.
또한, 오디오 녹음 신호는 외부 장치(300)의 음향 출력부(350)의 스피커에서 출력된 오디오 신호를 외부 장치(300)의 입력부(320)의 마이크로폰(322)이 녹음한 신호일 수 있다.
예를 들어, 외부 장치(300)는 마이크로폰(322)을 통해 외부 소리를 획득하고, 외부 소리의 크기가 소정의 크기 이하인 경우, 테스트하기에 적합한 환경으로 판단하고, 스피커에서 출력된 오디오 신호에 대한 녹음을 시작할 수 있다.
도 11은 본 개시의 일 실시 예에 따른 오디오 녹음 신호를 나타낸 도면이다.
도 11을 참고하면, 오디오 녹음 신호는 저 주파의 일정한 톤(tone)을 갖는 톤 신호를 포함할 수 있다. 톤 신호는 사인(sine) 또는 코사인(cosine) 함수로 된 주기 신호를 포함할 수 있다. 오디오 녹음 신호는 외부 장치(300)의 오디오 보드에 고장이 발생한 경우, 잡음 신호가 포함될 수 있다.
프로세서(180)는 오디오 녹음 신호에 대하여 기 설정된 기울기 최대 값에서 벗어나는 이상 신호를 검출할 수 있다(S1002).
프로세서(180)는 오디오 녹음 신호의 최대 진폭을 측정할 수 있다.
프로세서(180)는 측정된 최대 진폭을 오디오 녹음 신호의 기울기 최대 값으로 설정할 수 있다.
프로세서(180)는 오디오 녹음 신호의 미분 값을 획득할 수 있다.
프로세서(180)는 사인(sine) 또는 코사인(cosine) 함수로 된 주기 신호인 톤 신호를 포함하는 오디오 녹음 신호를 미분 연산하여 코사인(cosine) 또는 사인(sine) 함수로 된 주기 신호를 획득함으로써, 오디오 녹음 신호의 미분 값을 획득할 수 있다.
프로세서(180)는 오디오 녹음 신호의 미분 값이 기울기 최대 값을 초과하는 신호를 이상 신호로 검출할 수 있다.
도 12를 참고하면, 프로세서(180)는 오디오 녹음 신호를 미분 연산하여 획득한 코사인(cosine) 또는 사인(sine) 함수로 된 주기 신호(Signal, 1201)의 이상 신호(Error Point, 1202)를 이상 신호로 검출할 수 있다.
프로세서(180)는 검출된 적어도 하나의 이상 신호가 기 설정된 수 이상 검출되었는지 판별할 수 있다(S1003).
프로세서(180)는 오디오 녹음 신호로부터 기 설정된 수 이상의 이상 신호가 검출되는지에 따라 상기 오디오 녹음 신호에 이상 유무를 판별할 수 있다.
예를 들어, 프로세서(180)는 오디오 녹음 신호를 기초로 기울기 최대 값에 벗어나는 이상 신호를 검출하여, 검출된 적어도 하나의 이상 신호가 기 설정된 수 이상 검출되면 오디오 녹음 신호에 이상이 있는 것으로 판별할 수 있다.
프로세서(180)는 오디오 녹음 신호에 이상이 있는 것으로 판별한 경우 외부 장치(300)의 오디오 부품에 대하여 고장 발생으로 판별할 수 있다(S1004).
한편, 프로세서(180)는 상기 오디오 녹음 신호에 이상이 있는 것으로 판별한 경우 상기 외부 장치의 오디오 보드에 대하여 고장 발생으로 판별할 수 있다.
통신부(110)는 외부 장치(300)로 오디오 보드에 대한 고장 발생 알림을 전송할 수 있다(S1005).
한편, 프로세서(180)는 검출된 이상 신호가 기 설정된 수 이상 검출되지 않는 경우, 외부 장치(300)의 오디오 부품이 정상인 것으로 판별할 수 있다(S1006).
도 13은 본 개시의 일 실시예에 따른 복수의 오디오 녹음 신호를 이용하여 고장 진단을 하는 방법을 설명하기 위한 동작 흐름도이다.
통신부(110)는 외부 장치의 스피커에서 출력된 오디오 신호를 상기 외부 장치의 복수의 마이크로폰 각각이 녹음한 복수의 오디오 녹음 신호를 수신할 수 있다(S1301).
이 경우, 복수의 오디오 녹음 신호는 주파수가 단위 시간 당 소정의 주파수 율로 증가하는 스윕 신호 또는 소정 범위의 주파수 성분을 포함하는 백색 잡음 신호를 포함할 수 있다.
프로세서(180)는 소정 범위의 주파수 대역의 스펙트럼 밀도 차이를 비교할 수 있다(S1302).
또한, 프로세서(180)는 스펙트럼 밀도 차이가 기 설정된 기준치 이상인지 여부를 판별할 수 있다(S1303).
예를 들어, 프로세서(180)는 복수의 오디오 녹음 신호 각각에 대하여 기 설정된 주파수 대역의 범위에서 각각의 파워 스펙트럼 밀도 차이를 비교할 수 있다.
프로세서(180)는 각각의 파워 스펙트럼 밀도 차이가 기 설정된 기준치 이상인 경우, 외부 장치(300)의 복수의 마이크로폰 중 적어도 하나에 대하여 고장 발생으로 판별할 수 있다(S1304).
도 14를 참고하면, 2개의 마이크로폰에 입력되어 녹음된 제1 오디오 녹음 신호(14(a)) 및 제 2 오디오 녹음 신호(14(b))가 도시되어 있다.
제1 오디오 녹음 신호 및 제 2 오디오 녹음 신호는 단위 시간 당 소정의 주파수 율로 주파수가 증가하는 스윕 신호를 포함할 수 있다.
도 15를 참고하면, 프로세서(180)는 제1 오디오 녹음 신호(1ch) 및 제2 오디오 녹음 신호(2ch) 각각에 대하여 대하여 소정 범위(0~8000Hz)의 주파수 대역의 범위에서 각각의 파워 스펙트럼 밀도를 비교하고, 각각의 파워 스펙트럼 밀도 차이(Difference)를 획득할 수 있다.
이 경우, 프로세서(180)는 각각의 파워 스펙트럼 밀도 차이가 기 설정된 기준치 이상인 경우 외부 장치의 복수의 마이크로폰 중 적어도 하나에 대하여 고장 발생으로 판별할 수 있다.
예를 들어, 외부 장치(300)의 2개의 마이크로폰 중 하나가 녹음이 제대로 되지 않는 경우, 2개의 오디오 녹음 신호 각각의 파워 스펙트럼 밀도 차이가 기준치 이상으로 높아지게 될 것이다. 따라서, 프로세서(180)는 외부 장치의 마이크로폰에 이상이 있음을 진단할 수 있다.
통신부(180)는 외부 장치로 복수의 마이크로폰 중 적어도 하나에 대한 고장이 발생하였다는 알림을 전송할 수 있다(S1305).
외부 장치(300)는 복수의 마이크로폰 중 적어도 하나에 고장이 발생하였다는 알림을 수신하는 경우, 고장이 발생한 마이크로폰을 예비 마이크로폰으로 교체를 수행할 수 있다.
프로세서(180)는 각각의 파워 스펙트럼 밀도 차이가 기 설정된 기준치 이상이 아닌 경우 외부 장치의 복수의 마이크로폰이 정상인 것으로 판별할 수 있다.
한편, 통신부(110)는 외부 장치(300)의 스피커로 발화된 기동어를 외부 장치(300)의 마이크로폰이 녹음한 기동어 녹음 신호를 수신할 수 있다. 이 경우, 외부 장치(300)의 에코 캔슬레이션 처리는 오프된 상태일 수 있다.
프로세서(180)는 STT 엔진을 이용하여 수신한 기동어 녹음 신호에 대하여 음성 인식을 수행할 수 있다. 이 경우, 프로세서(180)는 수신한 기동어 녹음 신호에 대하여 음성 인식이 수행되지 않는 경우에는 외부 장치(300)의 마이크로폰에 고장이 발생한 것으로 판별할 수 있다. 또는, 프로세서(180)는 수신한 기동어 녹음 신호에 대하여 정상적으로 예상된 기동어로 음성 인식이 수행되는 경우 외부 장치(300)의 마이크로폰이 정상인 것으로 판단 할 수 있다.
또한, 프로세서(180)는 수신한 기동어 녹음 신호에 대하여 PESQ (Perceptual Evaluation of Speech Quality) 값을 통해 신호 왜곡을 측정하고 품질을 평가할 수도 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 인공 지능 장치의 프로세서(180)를 포함할 수도 있다.
Claims (18)
- 외부 장치의 에코 캔슬레이션을 위한 시간 도메인의 레퍼런스 신호를 수신하는 통신 인터페이스;
상기 시간 도메인의 레퍼런스 신호에 기초하여 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 적어도 하나의 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별하고, 상기 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치 이하인 경우 상기 외부 장치의 오디오 부품에 대한 고장 발생으로 판별하는 프로세서를 포함하는,
인공 지능 장치. - 제1항에 있어서,
상기 프로세서는,
상기 시간 도메인의 레퍼런스 신호를 주파수 도메인으로 변환하고, 상기 시간 도메인의 레퍼런스 신호가 시작되는 시작 주파수를 획득하고, 상기 주파수 도메인의 레퍼런스 신호에 대하여 상기 시작 주파수의 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치를 초과하는 시점을 상기 시간 도메인의 레퍼런스 신호가 녹음되기 시작한 녹음 시작 시점으로 판별하고,
상기 주파수 도메인의 레퍼런스 신호에 대하여 적어도 하나의 테스트 대상 주파수의 스펙트럼 밀도가 상기 녹음 시작 시점에 기초하여 보정된 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별하고, 기 설정된 스펙트럼 밀도 기준치 이하인 경우 상기 외부 장치의 오디오 부품에 대하여 고장 발생으로 판별하는,
인공 지능 장치. - 제2항에 있어서,
상기 프로세서는,
상기 기 설정된 스펙트럼 밀도 기준치 이하인 경우 상기 외부 장치의 오디오 케이블에 대하여 고장 발생으로 판별하고,
상기 통신 인터페이스는,
상기 외부 장치로 상기 오디오 케이블에 대한 고장 발생 알림을 전송하는,
인공 지능 장치. - 제1항에 있어서,
상기 통신 인터페이스는,
상기 외부 장치의 스피커에서 출력된 오디오 신호를 상기 외부 장치의 마이크로폰이 녹음한 오디오 녹음 신호를 수신하고,
상기 프로세서는,
상기 오디오 녹음 신호에 대하여 기 설정된 기울기 최대 값에서 벗어나는 이상 신호를 검출하고, 기 설정된 수 이상의 이상 신호가 검출되는지에 따라 상기 오디오 녹음 신호에 이상 유무를 판별하고, 오디오 녹음 신호에 이상이 있는 것으로 판별한 경우 상기 외부 장치의 오디오 부품에 대하여 고장 발생으로 판별하는,
인공 지능 장치. - 제4항에 있어서,
상기 프로세서는,
상기 오디오 녹음 신호의 최대 진폭을 측정하여 상기 최대 진폭을 상기 기울기 최대 값으로 설정하고, 상기 오디오 녹음 신호의 미분 값이 상기 기울기 최대 값을 초과하는 신호를 이상 신호로 검출하는,
인공 지능 장치. - 제4항에 있어서,
상기 프로세서는,
상기 오디오 녹음 신호에 이상이 있는 것으로 판별한 경우 상기 외부 장치의 오디오 보드에 대하여 고장 발생으로 판별하고,
상기 통신 인터페이스는,
상기 외부 장치로 상기 오디오 보드에 대한 고장 발생 알림을 전송하는,
인공 지능 장치. - 제4항에 있어서,
상기 오디오 신호는,
소정의 주파수로 지속되는 일정한 진폭 레벨의 신호인,
인공 지능 장치. - 제1 항에 있어서,
상기 통신 인터페이스는,
상기 외부 장치의 스피커에서 출력된 오디오 신호를 상기 외부 장치의 복수의 마이크로폰 각각이 녹음한 복수의 오디오 녹음 신호를 수신하고,
상기 프로세서는,
상기 복수의 오디오 녹음 신호 각각에 대하여 소정 범위의 주파수 대역의 스펙트럼 밀도 차이를 비교하고, 상기 스펙트럼 밀도 차이가 기 설정된 기준치 이상인 경우, 상기 외부 장치의 복수의 마이크로폰 중 적어도 하나에 대하여 고장 발생으로 판별하는,
인공 지능 장치. - 제8항에 있어서,
상기 복수의 오디오 신호는,
주파수가 단위 시간 당 소정의 주파수 율로 증가하는 스윕 신호 또는 소정 범위의 주파수 성분을 포함하는 백색 잡음 신호인,
인공 지능 장치. - 외부 장치의 에코 캔슬레이션을 위한 시간 도메인의 레퍼런스 신호를 수신하는 단계;
상기 시간 도메인의 레퍼런스 신호에 기초하여 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 적어도 하나의 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치를 이하인지 여부를 판별하는 단계; 및
상기 적어도 하나의 테스트 대상 주파수에서의 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치 이하인 경우 상기 외부 장치의 오디오 부품에 대한 고장 발생으로 판별하는 단계를 포함하는,
고장 진단 방법. - 제10항에 있어서,
상기 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별하는 단계는,
상기 시간 도메인의 레퍼런스 신호를 주파수 도메인으로 변환하는 단계;
상기 시간 도메인의 레퍼런스 신호가 시작되는 시작 주파수를 획득하는 단계;
상기 주파수 도메인의 레퍼런스 신호에 대하여 상기 시작 주파수의 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치를 초과하는지 여부를 판별하는 단계;
상기 시작 주파수의 스펙트럼 밀도가 기 설정된 스펙트럼 밀도 기준치를 초과하는 시점을 상기 시간 도메인의 레퍼런스 신호가 녹음되기 시작한 녹음 시작 시점으로 판별하는 단계; 및
상기 주파수 도메인의 레퍼런스 신호에 대하여 적어도 하나의 테스트 대상 주파수의 스펙트럼 밀도가 상기 녹음 시작 시점에 기초하여 보정된 테스트 대상 시점에서 기 설정된 스펙트럼 밀도 기준치 이하인지 여부를 판별하는 단계를 포함하는,
고장 진단 방법. - 제11항에 있어서,
상기 외부 장치의 오디오 부품에 대하여 고장 발생으로 판별하는 단계는,
상기 기 설정된 스펙트럼 밀도 기준치 이하인 경우 상기 외부 장치의 오디오 케이블에 대하여 고장 발생으로 판별하는 단계를 포함하고,
상기 외부 장치로 상기 오디오 케이블에 대한 고장 발생 알림을 전송하는 단게를 더 포함하는,
고장 진단 방법. - 제10항에 있어서,
상기 외부 장치의 스피커에서 출력된 오디오 신호를 상기 외부 장치의 마이크로폰이 녹음한 오디오 녹음 신호를 수신하는 단계;
상기 오디오 녹음 신호에 대하여 기 설정된 기울기 최대 값에서 벗어나는 이상 신호를 검출하는 단계;
기 설정된 수 이상의 이상 신호가 검출되는지에 따라 상기 오디오 녹음 신호에 이상 유무를 판별하는 단계; ??
상기 오디오 녹음 신호에 이상이 있는 것으로 판별한 경우 상기 외부 장치의 오디오 부품에 대하여 고장 발생으로 판별하는 단게를 더 포함하는,
고장 진단 방법. - 제13항에 있어서,
상기 이상 신호를 검출하는 단계는,
상기 오디오 녹음 신호의 최대 진폭을 측정하여 상기 최대 진폭을 상기 기울기 최대 값으로 설정하는 단계; 및
상기 오디오 녹음 신호의 미분 값이 상기 기울기 최대 값을 초과하는 신호를 이상 신호로 검출하는 단계를 포함하는,
고장 진단 방법. - 제13항에 있어서,
상기 오디오 녹음 신호에 이상이 있는 것으로 판별한 경우 상기 외부 장치의 오디오 보드에 대하여 고장 발생으로 판별하는 단계 및
상기 외부 장치로 상기 오디오 보드에 대한 고장 발생 알림을 전송하는 단계를 더 포함하는,
고장 진단 방법. - 제13항에 있어서,
상기 오디오 신호는,
소정의 주파수로 지속되는 일정한 진폭 레벨의 신호인,
고장 진단 방법. - 제10항에 있어서,
상기 외부 장치의 스피커에서 출력된 오디오 신호를 상기 외부 장치의 복수의 마이크로폰 각각이 녹음한 복수의 오디오 녹음 신호를 수신하는 단계;
상기 복수의 오디오 녹음 신호 각각에 대하여 소정 범위의 주파수 대역의 스펙트럼 밀도 차이를 비교하는 단계; 및
상기 스펙트럼 밀도 차이가 기 설정된 기준치 이상인 경우 상기 외부 장치의 복수의 마이크로폰 중 적어도 하나에 대하여 고장 발생으로 판별하는 단계를 더 포함하는,
고장 진단 방법. - 제17항에 있어서,
상기 복수의 오디오 신호는,
주파수가 단위 시간 당 소정의 주파수 율로 증가하는 스윕 신호 또는 소정 범위의 주파수 성분을 포함하는 백색 잡음 신호인,
고장 진단 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190142874A KR20210056146A (ko) | 2019-11-08 | 2019-11-08 | 고장 진단을 하는 인공 지능 장치 및 그 방법 |
| US16/707,102 US11330384B2 (en) | 2019-11-08 | 2019-12-09 | Artificial intelligence device for diagnosing failure and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190142874A KR20210056146A (ko) | 2019-11-08 | 2019-11-08 | 고장 진단을 하는 인공 지능 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210056146A true KR20210056146A (ko) | 2021-05-18 |
Family
ID=75845502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190142874A KR20210056146A (ko) | 2019-11-08 | 2019-11-08 | 고장 진단을 하는 인공 지능 장치 및 그 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11330384B2 (ko) |
| KR (1) | KR20210056146A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022265317A1 (ko) * | 2021-06-17 | 2022-12-22 | 삼성전자 주식회사 | 외부 소리 및 사용자 반응에 대응하는 전자 장치 및 이의 동작 방법 |
| US12014114B2 (en) | 2021-06-17 | 2024-06-18 | Samsung Electronics Co., Ltd. | Electronic device for responding to user reaction and outside sound and operating method thereof |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190096307A (ko) * | 2019-07-29 | 2019-08-19 | 엘지전자 주식회사 | 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법 |
| US11486957B2 (en) * | 2020-06-18 | 2022-11-01 | Silicon Laboratories Inc. | Dynamic switch pattern selection for angle of arrival |
| EP4084366A1 (en) * | 2021-04-26 | 2022-11-02 | Aptiv Technologies Limited | Method for testing in-vehicle radio broadcast receiver device |
| CN114882908A (zh) * | 2022-04-18 | 2022-08-09 | 北京小米移动软件有限公司 | 故障检测方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7046798B2 (en) * | 2002-09-03 | 2006-05-16 | Paradyne Corporation | System and method for subliminal time domain duplexing |
| US8744844B2 (en) * | 2007-07-06 | 2014-06-03 | Audience, Inc. | System and method for adaptive intelligent noise suppression |
| ES2526126T3 (es) * | 2009-08-14 | 2015-01-07 | Koninklijke Kpn N.V. | Método, producto de programa informático y sistema para determinar una calidad percibida de un sistema de audio |
| US8892050B2 (en) * | 2009-08-18 | 2014-11-18 | Qualcomm Incorporated | Sensing wireless communications in television frequency bands |
| US10142731B2 (en) * | 2016-03-30 | 2018-11-27 | Dolby Laboratories Licensing Corporation | Dynamic suppression of non-linear distortion |
| JP7187183B2 (ja) * | 2018-06-14 | 2022-12-12 | 株式会社トランストロン | エコー抑圧装置、エコー抑圧方法およびエコー抑圧プログラム |
-
2019
- 2019-11-08 KR KR1020190142874A patent/KR20210056146A/ko unknown
- 2019-12-09 US US16/707,102 patent/US11330384B2/en active Active
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022265317A1 (ko) * | 2021-06-17 | 2022-12-22 | 삼성전자 주식회사 | 외부 소리 및 사용자 반응에 대응하는 전자 장치 및 이의 동작 방법 |
| US12014114B2 (en) | 2021-06-17 | 2024-06-18 | Samsung Electronics Co., Ltd. | Electronic device for responding to user reaction and outside sound and operating method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| US11330384B2 (en) | 2022-05-10 |
| US20210144497A1 (en) | 2021-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11663516B2 (en) | Artificial intelligence apparatus and method for updating artificial intelligence model | |
| US11495214B2 (en) | Artificial intelligence device for providing voice recognition service and method of operating the same | |
| US11330384B2 (en) | Artificial intelligence device for diagnosing failure and method thereof | |
| US11669781B2 (en) | Artificial intelligence server and method for updating artificial intelligence model by merging plurality of pieces of update information | |
| US11164586B2 (en) | Artificial intelligence apparatus and method for recognizing utterance voice of user | |
| US11668485B2 (en) | Artificial intelligence air conditioner and method for calibrating sensor data of air conditioner | |
| US11568239B2 (en) | Artificial intelligence server and method for providing information to user | |
| KR20210039049A (ko) | 음성 인식을 수행하는 인공 지능 장치 및 그 방법 | |
| US10872438B2 (en) | Artificial intelligence device capable of being controlled according to user's gaze and method of operating the same | |
| US11210567B2 (en) | Artificial intelligence apparatus and method for recognizing object | |
| US20190360717A1 (en) | Artificial intelligence device capable of automatically checking ventilation situation and method of operating the same | |
| US11653805B2 (en) | Robot cleaner for performing cleaning using artificial intelligence and method of operating the same | |
| US20190354178A1 (en) | Artificial intelligence device capable of being controlled according to user action and method of operating the same | |
| US11501757B2 (en) | Artificial intelligence apparatus | |
| US11977384B2 (en) | Control system for controlling a plurality of robots using artificial intelligence | |
| US20210174187A1 (en) | Ai apparatus and method for managing operation of artificial intelligence system | |
| US20190371297A1 (en) | Artificial intelligence apparatus and method for recognizing speech of user in consideration of user's application usage log | |
| EP3893162A1 (en) | Artificial intelligence apparatus using a plurality of output layers and method for same | |
| US11211045B2 (en) | Artificial intelligence apparatus and method for predicting performance of voice recognition model in user environment | |
| US20210334461A1 (en) | Artificial intelligence apparatus and method for generating named entity table | |
| KR102229562B1 (ko) | 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법 | |
| US11810575B2 (en) | Artificial intelligence robot for providing voice recognition function and method of operating the same | |
| KR20210052958A (ko) | 인공 지능 서버 | |
| US11464380B2 (en) | Artificial intelligence cleaner and operating method thereof | |
| KR20210057478A (ko) | 인공 지능 장치 |