KR20210089880A - Laundry treating apparatus - Google Patents
Laundry treating apparatus Download PDFInfo
- Publication number
- KR20210089880A KR20210089880A KR1020200002970A KR20200002970A KR20210089880A KR 20210089880 A KR20210089880 A KR 20210089880A KR 1020200002970 A KR1020200002970 A KR 1020200002970A KR 20200002970 A KR20200002970 A KR 20200002970A KR 20210089880 A KR20210089880 A KR 20210089880A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- laundry
- information
- artificial intelligence
- processor
- Prior art date
Links
Images
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
- D06F34/30—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress characterised by mechanical features, e.g. buttons or rotary dials
-
- 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
- D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
- D06F33/37—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of metering of detergents or additives
-
- 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
- D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
- D06F33/52—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
- D06F33/57—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of metering of detergents or additives
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Textile Engineering (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
Description
본 개시는 사용자 이미지 정보를 이용하여 사용자를 식별하고, 상기 사용자의 행동 정보를 인지하여 사용자 행동 정보에 알맞은 세탁 동작을 제공하는 세탁물 처리 장치를 개시한다. 그리고 본 개시는 개별 사용자의 세탁 동작 사용 정보를 축적하여 개인 맞춤형 세탁물 처리 장치를 개시한다.The present disclosure discloses a laundry treatment apparatus that identifies a user by using user image information, recognizes the user's behavior information, and provides a washing operation suitable for the user behavior information. In addition, the present disclosure discloses a personalized laundry treatment apparatus by accumulating laundry operation usage information of individual users.
일반적으로 세탁물 처리 장치는 세탁기, 건조기 및 건조 기능과 세탁 기능이 모두 가능한 세탁기를 포함하고 세탁기라 함은 동작 방법과 관계 없이 세탁을 수행할 수 있는 모든 기기를 포함할 수 있다.In general, a laundry treatment apparatus includes a washing machine, a dryer, and a washing machine capable of both a drying function and a washing function, and the washing machine may include any device capable of performing washing regardless of an operation method.
세탁기는 물과 세제 및 기계적인 동작을 통하여 의복, 침구 등의 오염 물질을 제거하기 위한 세탁, 헹굼 및 탈수 과정을 수행하는 장치이다.A washing machine is a device that performs washing, rinsing, and dehydration processes to remove contaminants such as clothes and bedding through water, detergent, and mechanical operations.
건조기는 건조물에 바람을 가하여 건조시키는 장치를 통칭한다.A dryer is a general term for a device that dries by applying wind to a dried object.
사용자들은 반복적으로 이용하는 세탁 동작이 있음에도 불구하고, 세탁물 처리 장치를 사용할 때마다 매번 세탁 동작을 직접 설정해야하는 번거로움이 있었다. 개인화 세탁기가 등장함에 따라 자주 사용하는 세탁 동작을 추천해주는 경우에도 여러명이 한 세탁물 처리 장치를 사용할 경우 개인의 세탁 동작 설정을 반영하지 못하고 자주 사용하는 세탁 설정이 추천되는 문제점이 있었다.Although there is a washing operation that is repeatedly used, users have the inconvenience of having to manually set the washing operation every time they use the laundry treatment apparatus. With the advent of personalized washing machines, there is a problem in that, even when frequently used washing operations are recommended, when several people use one laundry processing apparatus, the individual washing operation settings cannot be reflected and frequently used washing settings are recommended.
일반적으로 세탁물 처리 장치는 세탁기, 건조기 및 건조 기능과 세탁 기능이 모두 가능한 세탁기를 포함하고 세탁기라 함은 동작 방법과 관계 없이 세탁을 수행할 수 있는 모든 기기를 포함할 수 있다.In general, a laundry treatment apparatus includes a washing machine, a dryer, and a washing machine capable of both a drying function and a washing function, and the washing machine may include any device capable of performing washing regardless of an operation method.
세탁기는 물과 세제 및 기계적인 동작을 통하여 의복, 침구 등의 오염 물질을 제거하기 위한 세탁, 헹굼 및 탈수 과정을 수행하는 장치이다.A washing machine is a device that performs washing, rinsing, and dehydration processes to remove contaminants such as clothes and bedding through water, detergent, and mechanical operations.
건조기는 건조물에 바람을 가하여 건조시키는 장치를 통칭한다.A dryer is a general term for a device that dries by applying wind to a dried object.
사용자들은 반복적으로 이용하는 세탁 동작이 있음에도 불구하고, 세탁물 처리 장치를 사용할 때마다 매번 세탁 동작을 직접 설정해야하는 번거로움이 있었다. 개인화 세탁기가 등장함에 따라 자주 사용하는 세탁 동작을 추천해주는 경우에도 여러명이 한 세탁물 처리 장치를 사용할 경우 개인의 세탁 동작 설정을 반영하지 못하고 자주 사용하는 세탁 설정이 추천되는 문제점이 있었다.Although there is a washing operation that is repeatedly used, users have the inconvenience of having to manually set the washing operation every time they use the laundry treatment apparatus. With the advent of personalized washing machines, there is a problem in that, even when frequently used washing operations are recommended, when several people use one laundry processing apparatus, the individual washing operation settings cannot be reflected and frequently used washing settings are recommended.
본 개시의 목적은 인공 지능 모델을 이용하여, 세탁물 처리 장치를 사용하고자 하는 사용자와 사용자의 행동 정보를 식별하여 자동으로 세탁 동작을 수행할 수 있는 세탁물 처리 장치의 제공을 목적으로 한다.An object of the present disclosure is to provide a laundry treatment apparatus capable of automatically performing a laundry operation by identifying a user who wants to use the laundry treatment apparatus and behavioral information of the user using an artificial intelligence model.
또한, 본 개시는 과거의 사용자, 과거의 사용자의 행동 정보 및 세탁 정보를 학습 데이터로 사용하여 개인별 맞춤형 세탁 동작을 제공하는 것에 그 목적이 있다.In addition, an object of the present disclosure is to provide a laundry operation customized for each individual by using a past user, behavior information of the past user, and laundry information as learning data.
본 개시는 세탁 동작을 수행하는 세탁부를 포함하고, 상기 세탁 동작에 대응하는 정보를 표시하는 출력부, 사용자 이미지 정보를 센싱하는 카메라 및 사용자 이미지 정보를 인공 지능 모델에 입력하여 세탁 정보를 획득하고, 세탁 정보에 대응하는 동작을 수행하는 프로세서를 개시한다.The present disclosure includes a washing unit that performs a washing operation, an output unit displaying information corresponding to the washing operation, a camera sensing user image information, and inputting user image information into an artificial intelligence model to obtain washing information, Disclosed is a processor that performs an operation corresponding to laundry information.
또한 본 개시의 인공 지능 모델은 과거 사용자 및 사용자의 행동 정보와 상기 사용자 및 사용자의 행동 정보에 대응하는 세탁 정보를 포함하는 사용 이력을 이용하여 학습된 머신 러닝 알고리즘을 포함할 수 있다.In addition, the artificial intelligence model of the present disclosure may include a machine learning algorithm learned using a usage history including past users and behavioral information of the user and laundry information corresponding to the user and behavioral information of the user.
본 개시는 인공 지능 모델을 이용하여, 세탁물 처리 장치를 사용하고자 하는 사용자 및 행동 정보에 대응하는 세탁 정보를 획득함으로써 사용자 개인의 맞춤형 세탁 동작을 제공할 수 있다.The present disclosure may provide a user's personalized laundry operation by using an artificial intelligence model to obtain laundry information corresponding to the user and behavior information who want to use the laundry processing apparatus.
또한, 본 개시는 과거의 사용 이력을 이용하여 인공 지능 모델을 학습시킴으로써 세탁물 처리 장치를 사용한 이력이 있는 사용자가 특정한 행동을 하였을 때 그에 알맞은 세탁물 처리 장치의 동작을 제공함으로써 세탁을 하고자 하는 사용자의 의도에 알맞게 세탁 동작을 제공할 수 있다.In addition, the present disclosure provides a user's intention to do laundry by providing an operation of the laundry treatment apparatus suitable for a user who has a history of using the laundry treatment apparatus by learning an artificial intelligence model using the past usage history. It is possible to provide a washing operation suitable for
도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버를(200)의 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 개시의 인공 지능 장치의 세탁부를 나타낸다.
도 6은 본 개시의 흐름도를 나타낸다
도 7은 본 개시의 시나리오를 나타낸다.
도 8은 본 개시의 인공 지능 모델을 나타낸다.
도 9는 본 개시의 흐름도를 나타낸다.
도 10은 본 개시의 흐름도를 나타낸다.
도 11은 본 개시의 시나리오를 나타낸다.
도 12는 본 개시의 흐름도를 나타낸다.
도 13은 본 개시의 흐름도를 나타낸다.
도 14는 본 개시의 시나리오를 나타낸다.1 shows an
2 shows an
3 shows an
4 shows an AI device according to an embodiment of the present disclosure.
5 shows a washing unit of the artificial intelligence device of the present disclosure.
6 shows a flow diagram of the present disclosure;
7 shows a scenario of the present disclosure.
8 shows an artificial intelligence model of the present disclosure.
9 shows a flowchart of the present disclosure.
10 shows a flowchart of the present disclosure.
11 shows a scenario of the present disclosure.
12 shows a flowchart of the present disclosure.
13 shows a flowchart of the present disclosure.
14 shows a scenario of the present disclosure.
이하, 본 발명의 상세에 대하여 설명한다.Hereinafter, the detail of this invention is demonstrated.
이하에 설명하는 실시 예는 본 발명의 일례 일 뿐이며, 본 발명은 다양한 형태로 변형될 수 있다. 따라서, 이하에 개시된 특정 구성 및 기능은 청구 범위를 제한하지 않는다.The embodiments described below are only examples of the present invention, and the present invention may be modified in various forms. Accordingly, the specific features and functions disclosed below do not limit the scope of the claims.
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.Hereinafter, the embodiments disclosed in the present specification will be described in detail with reference to the accompanying drawings, but the same or similar components are assigned the same reference numerals regardless of reference numerals, and overlapping descriptions thereof will be omitted. The suffixes "module" and "part" for the components used in the following description are given or mixed in consideration of only the ease of writing the specification, and do not have a meaning or role distinct from each other by themselves. In addition, in describing the embodiments disclosed in the present specification, if it is determined that detailed descriptions of related known technologies may obscure the gist of the embodiments disclosed in the present specification, the detailed description thereof will be omitted. In addition, the accompanying drawings are only for easy understanding of the embodiments disclosed in the present specification, and the technical spirit disclosed in the present specification is not limited by the accompanying drawings, and all changes included in the spirit and scope of the present disclosure , should be understood to include equivalents or substitutes.
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.Terms including an ordinal number, such as first, second, etc., may be used to describe various elements, but the elements are not limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.
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.When a component is referred to as being “connected” or “connected” to another component, it is understood that the other component may be directly connected or connected to the other component, but other components may exist in between. it should be On the other hand, when it is mentioned that a certain element is "directly connected" or "directly connected" to another element, it should be understood that the other element does not exist in the middle.
<인공 지능(AI: Artificial Intelligence)><Artificial Intelligence (AI)>
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.Artificial intelligence refers to a field that studies artificial intelligence or methodologies that can make it, and machine learning refers to a field that defines various problems dealt with in the field of artificial intelligence and studies methodologies to solve them. do. Machine learning is also defined as an algorithm that improves the performance of a certain task through constant experience.
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.An artificial neural network (ANN) is a model used in machine learning, and may refer to an overall model having problem-solving ability, which is composed of artificial neurons (nodes) that form a network by combining synapses. An artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process that updates model parameters, and an activation function that generates an output value.
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. The artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In the artificial neural network, each neuron may output a function value of an activation function for input signals, weights, and biases input through synapses.
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.Model parameters refer to parameters determined through learning, and include the weight of synaptic connections and the bias of neurons. In addition, the hyperparameter refers to a parameter that must be set before learning in a machine learning algorithm, and includes a learning rate, the number of iterations, a mini-batch size, an initialization function, and the like.
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.The purpose of learning the artificial neural network can be seen as determining the model parameters that minimize the loss function. The loss function may be used as an index for determining optimal model parameters in the learning process of the artificial neural network.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to a learning method.
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.Supervised learning refers to a method of training an artificial neural network in a state where a label for training data is given, and the label is the correct answer (or result value) that the artificial neural network should infer when the training data is input to the artificial neural network. can mean Unsupervised learning may refer to a method of training an artificial neural network in a state where no labels are given for training data. Reinforcement learning can refer to a learning method in which an agent defined in an environment learns to select an action or sequence of actions that maximizes the cumulative reward in each state.
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.Among artificial neural networks, machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is also called deep learning (deep learning), and deep learning is a part of machine learning. Hereinafter, machine learning is used in a sense including deep learning.
<로봇(Robot)><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.A robot can mean a machine that automatically handles or operates a task given by its own capabilities. In particular, a robot having a function of recognizing an environment and performing an operation by self-judgment may be referred to as an intelligent robot.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.Robots can be classified into industrial, medical, home, military, etc. depending on the purpose or field of use.
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.The robot may be provided with a driving unit including an actuator or a motor to perform various physical operations such as moving the robot joints. In addition, the movable robot includes a wheel, a brake, a propeller, and the like in the driving unit, and can travel on the ground or fly in the air through the driving unit.
<자율 주행(Self-Driving)><Self-Driving>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.Autonomous driving refers to a technology that drives by itself, and an autonomous driving vehicle refers to a vehicle that runs without a user's manipulation or with a minimal user's manipulation.
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.For example, autonomous driving includes technology for maintaining a driving lane, technology for automatically adjusting speed such as adaptive cruise control, technology for automatically driving along a predetermined route, technology for automatically setting a route when a destination is set, etc. All of these can be included.
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.The vehicle includes a vehicle having only an internal combustion engine, a hybrid vehicle having both an internal combustion engine and an electric motor, and an electric vehicle having only an electric motor, and may include not only automobiles, but also trains, motorcycles, and the like.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.In this case, the autonomous vehicle may be viewed as a robot having an autonomous driving function.
<확장 현실(XR: eXtended Reality)><Extended Reality (XR)>
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.The extended reality is a generic term for virtual reality (VR), augmented reality (AR), and mixed reality (MR). VR technology provides only CG images of objects or backgrounds in the real world, AR technology provides virtual CG images on top of images of real objects, and MR technology is a computer that mixes and combines virtual objects in the real world. graphic technology.
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.MR technology is similar to AR technology in that it shows both real and virtual objects. However, there is a difference in that in AR technology, a virtual object is used in a form that complements a real object, whereas in MR technology, a virtual object and a real object are used with equal characteristics.
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.XR technology can be applied to HMD (Head-Mount Display), HUD (Head-Up Display), mobile phone, tablet PC, laptop, desktop, TV, digital signage, etc. can be called
도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.1 shows an
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.Referring to FIG. 1 , the terminal 100 includes a
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.The
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.At this time, the communication technology used by the
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.The
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.In this case, the
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.The
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.The learning
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.In this case, the learning
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.In this case, the learning
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.The
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.At this time, sensors included in the
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. The
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.In this case, the
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.The
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.The
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.To this end, the
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.In this case, when the connection of the external device is required to perform the determined operation, the
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.The
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. In this case, the
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.At this time, at least one of the STT engine and the NLP engine may be configured as an artificial neural network, at least a part of which is learned according to a machine learning algorithm. And, at least one or more of the STT engine or the NLP engine is learned by the learning
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.The
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.The
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버(200)를 나타낸다.2 shows an
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.Referring to FIG. 2 , the
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.The
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.The
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.The
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.The learning
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.The learning model may be implemented in hardware, software, or a combination of hardware and software. When a part or all of the learning model is implemented in software, one or more instructions constituting the learning model may be stored in the
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.The
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.3 shows an
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.Referring to FIG. 3 , the
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.The
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.That is, each of the
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.The
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.The
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. In this case, the
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.At this time, the
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.Alternatively, the
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.Hereinafter, various embodiments of the
<AI+로봇><AI+Robot>
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.The
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.The
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.The
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.Here, the
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. The
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.At this time, the
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. The
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.The map data may include object identification information for various objects disposed in a space in which the
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.In addition, the
<AI+자율주행><AI + Autonomous Driving>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다. The
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.The
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. The
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.Here, the
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.In particular, the
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. The
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.In this case, the
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.The
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.The map data may include object identification information for various objects disposed in a space (eg, a road) in which the
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.In addition, the
<AI+XR><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.The
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.The
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. The
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.In this case, the
<AI+로봇+자율주행><AI+Robot+Autonomous Driving>
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.The
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. The
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.The
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.The
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.The
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.At this time, the
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.Alternatively, the
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.Alternatively, the
<AI+로봇+XR><AI+Robot+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. The
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.The
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. When the
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.For example, the user can check the XR image corresponding to the viewpoint of the remotely linked
<AI+자율주행+XR><AI+Autonomous Driving+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다. The
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.The
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.The
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.In this case, when the XR object is output to the HUD, at least a portion of the XR object may be output to overlap the actual object to which the passenger's gaze is directed. On the other hand, when the XR object is output to a display provided inside the
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.When the
도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.4 shows the
도 1과 중복되는 설명은 생략한다.A description overlapping with FIG. 1 will be omitted.
본 개시에서, 인공 지능 장치(100)는 엣지 디바이스(edge device)를 포함한다.In the present disclosure, the
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다. Referring to FIG. 4 , the
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.The voice data or image data collected by the
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.The
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.The
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.The
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다. The
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.The
센싱부(140)는 센서부라고 칭할 수 있다.The
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다. The
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다. The
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.The
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다. The
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.The
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.The
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.The
도 5는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 구성을 설명하기 위한 블록도이다.5 is a block diagram for explaining the configuration of a laundry treatment apparatus according to an embodiment of the present invention.
도 5를 참조하면, 인공 지능 장치(100)는 세탁물 처리 장치(300)의 구성을 포함할 수 있다. 또는 인공 지능 장치(100)는 세탁물 처리 장치(300)의 내부 구성 요소로서 모듈화되어 구성될 수도 있다.Referring to FIG. 5 , the
세탁물 처리 장치(300)는 앞서 도시된 인공 지능 장치(100)의 내부 구성 요소들과 세탁부(310)를 병렬적인 구성 요소로서 포함할 수 있다.The
세탁부(310)는 세탁과 관련된 기능을 수행하는 세탁 모듈(311), 건조와 관련된 기능을 수행하는 건조 모듈(312) 및 기타 의류 관리와 관련된 기능을 수행하는 의류 관리 모듈(313) 중에서 적어도 하나 이상을 포함할 수 있다.The
세탁 모듈(311)은 담금, 세탁, 헹굼 및 탈수 등의 세탁과 관련된 기능을 수행할 수 있다.The
건조 모듈(312)은 다양한 방법을 이용하여 세탁물을 건조하는 기능을 수행할 수 있으며, 대표적으로 바람(열풍이나 냉풍)을 이용하여 세탁물을 건조할 수 있다.The
의류 관리 모듈(313)은 의류 거치, 드라이클리닝, 먼지 제거, 살균, 주름 제거 및 다림질 등의 다양한 의류 관리와 관련된 기능을 수행할 수 있다.The
프로세서(180) 또는 세탁부(310)에 구비된 제어 프로세서(314)는 세탁부(310)의 세탁 모듈(311), 건조 모듈(312) 또는 의류 관리 모듈(313)에 포함된 구성 요소들을 제어하여 다양한 세탁 기능을 제공한다.The
입력부(120)와 센서부(140)는 세탁부(310)의 사용 및 제어와 관련된 사용자의 상호작용에 관련된 데이터를 수집할 수 있다. 예컨대, 입력부(120)와 센서부(140)는 음성이나 상호작용을 통한 코스 선택 정보 및 제어 정보 등을 수집할 수 있다.The
출력부(150)는 세탁부(310)의 사용 및 제어와 관련된 정보를 출력할 수 있다. 예컨대, 출력부(150)는 세탁, 건조 및 의류 관리에 상응하는 코스 정보, 사용 기록, 제어 정보 등을 출력할 수 있다.The
메모리(170)는 세탁부(310)의 사용 및 제어와 관련된 정보를 저장할 수 있다. 예컨대, 메모리(170)는 세탁, 건조 및 의류 관리에 상응하는 코스 정보, 사용 기록, 제어 정보 등을 저장할 수 있다.The
구체적으로, 세탁 모듈(311)은 세탁수가 저장되는 터브(311a), 상기 터브 내에 회전 가능하도록 설치되어 세탁물이 투입되는 드럼(311b), 상기 드럼을 회전시키는 구동부(311c), 상기 세탁수를 공급하는 급수부(311d), 상기 세탁수를 순환 또는 배출시키는 펌프(311e) 및 상기 배출되는 세탁수를 배출하는 배수부(311f) 등을 포함할 수 있다.Specifically, the
터브(311a) 내에는 세탁물이 수용되는 드럼(311b)이 회전 가능하게 구비될 수 있다. 드럼(311b)은 세탁물을 수용하며, 세탁물이 투입되는 입구가 전면 또는 상면에 위치하도록 배치되며, 대략 수평한 또는 수직한 회전 중심선을 중심으로 회전된다. 터브(311a) 내의 물이 드럼(311b) 내로 유입될 수 있도록, 드럼(311b)에는 다수의 통공이 형성될 수 있다.A
다만, 여기서의 "수평" 또는 "수직"은 수학적으로 엄밀한 의미로써 사용된 용어는 아니다. 즉, 실시예에서와 같이 회전 중심선이 수평 또는 수직에 대해 소정의 각도로 기울어진 경우에도 수평에 근접하기 때문에, 실질적으로 수평 또는 수직하다고 할 수 있다. However, "horizontal" or "vertical" herein is not a term used in a mathematically strict sense. That is, even when the rotation center line is inclined at a predetermined angle with respect to the horizontal or vertical as in the embodiment, since it approaches the horizontal, it can be said that it is substantially horizontal or vertical.
급수부(311d)는 급수밸브, 급수관 및 급수호스 등을 포함할 수 있다. The
급수시 급수밸브, 급수관을 통과한 세탁수는 세제 디스펜서에서 세제와 혼합된 다음, 급수호스를 통하여 터브(311a)로 공급될 수 있다.When water is supplied, wash water passing through the water supply valve and the water supply pipe may be mixed with the detergent in the detergent dispenser and then supplied to the
한편, 급수밸브에 직수 공급관이 연결되어 직수 공급관을 통하여 세탁수가 세제와 혼합되지 않고 터브(311a) 내로 직접 공급될 수 있다.On the other hand, a direct water supply pipe is connected to the water supply valve, so that the washing water can be directly supplied into the
펌프(311e)는 세탁수를 외부로 배출시키는 배수 펌프(311e)와 세탁수를 순환시키는 순환 펌프(311e)로서의 기능을 수행하나, 이와 달리 배수 펌프(311e) 및 순환 펌프(311e)가 별개로 설치될 수 있다.The
펌프(311e)는 배수부(311f)에 구비된 배수관과 연결되어, 배수관을 통하여 세탁수를 외부로 배출할 수 있다. 또한, 펌프(311e)는 순환수 공급관과 연결되어, 순환수 공급관을 통해 터브(311a) 내에 저장된 세탁수를 드럼(311b) 내부로 분사하여 세탁수를 순환시킬 수 있다.The
드럼(311b)의 내측면에 드럼(311b)의 내부를 향하여 돌출된 하나 이상의 돌출부를 포함할 수 있다. One or more protrusions protruding toward the inside of the
돌출부는 드럼(311b)의 내측면에 배치되는 리프터 또는 일체로 형성된 엠보싱일 수 있다. 드럼(311b)의 내측면에 리프터가 구비되거나 엠보싱이 형성되는 경우, 드럼(311b)의 회전시 세탁물이 리프터에 의해 들어올려졌다가 낙하되는 것을 반복할 수 있다.The protrusion may be a lifter disposed on the inner surface of the
구동부(311c)는 드럼(311b)을 회전시키며, 구동부(311c)에 의해 회전되는 구동축이 터브(311a)의 후면부를 통과하여 드럼(311b)과 결합될 수 있다.The driving
구동부(311c)는 속도 제어가 가능한 모터를 포함할 수 있다. The driving
이때, 모터는 직접 구동 방식의 인버터 모터(Inverter Direct Drive Motor)일 수 있다. In this case, the motor may be an inverter motor of a direct drive method.
제어 프로세서(314)는 구동부(311c)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(311c)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(311c)의 모터의 구동을 제어할 수 있다. The
그리고, 건조 모듈(312)은 세탁물이 투입되는 드럼(312a), 상기 드럼을 회전시키는 구동부(312b), 공기를 가열시키는 가열부(312c), 내부 공기를 순환시키는 송풍팬(312d) 및 내부 공기를 배출하는 배기부(312e) 등을 포함할 수 있다.In addition, the
드럼(312a)은 건조물이 건조되는 공간으로, 본체의 내부에 회전 가능하게 설치된다. 그리고, 드럼(312a)의 내부에는 건조물을 상승시켜 낙하시키기 위한 하나 이상의 리프터가 구비될 수 있다.The
드럼(312a)은 흡기구(미도시)와 연결되고, 송풍팬(312d)에 의해 내부로 공기가 유입될 수 있다.The
구동부(312b)는 드럼(312a)을 회전시키며, 구동부(312b)에 의해 회전되는 구동축이 드럼(312a)와 결합될 수 있다.The driving
구동부(312b)는 속도 제어가 가능한 모터를 포함할 수 있다.The driving
이때, 모터는 직접 구동 방식의 인버터 모터(Inverter Direct Drive Motor)일 수 있다. In this case, the motor may be an inverter motor of a direct drive method.
제어 프로세서(314)는 구동부(312b)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(312b)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(312b)의 모터의 구동을 제어할 수 있다. The
가열부(312c)는 드럼(312a) 내부의 공기 또는 외부에서 유입되는 공기를 가열하는 가열부를 포함할 수 있다.The
가열부는 가스식 혹은 전기식 등의 다양한 에너지원을 이용하여 공기를 가열시키며, 전기식의 경우 코일 히터를 이용할 수 있다.The heating unit heats the air using various energy sources such as gas or electric type, and in the case of electric type, a coil heater may be used.
가열부(312c)는 복수의 가열부를 포함할 수 있고, 각 가열부는 서로 동일하지 않고 다양한 에너지원을 이용할 수도 있고, 각각의 성능이 상이할 수도 있다.The
송풍팬(312d)은 가열부(312c)에서 가열된 공기 또는 드럼(312a) 내부의 공기를 순환시킨다.The blowing
배기부(312e)는 드럼(312a) 내부의 공기가 외부로 배출될 수 있도록 안내하는 역할을 하며, 배기 덕트 및 에어필터 등을 포함할 수 있다.The
그리고, 의류 관리 모듈(313)은 의류를 거치할 수 있는 공간인 의류 컨테이너(313a), 의류 컨테이너(313a)에 구비된 거치대를 움직이는 구동부(313b), 내부 공기를 순환시키는 송풍팬(313c), 에어 필터(313d), 살균부(313e) 및 주름 관리부(313f) 등을 포함할 수 있다.In addition, the
의류 컨테이너(313a)는 관리 또는 처리의 대상이 되는 의류(또는 세탁물)을 담는 공간으로, 의류를 고정할 수 있는 거치대를 포함할 수 있다. 예컨대, 의류 컨테이너는 옷걸이와 옷걸이를 거치할 수 있는 후크, 또는 토르소와 마네킹 같은 입체 형상 등을 포함할 수 있다.The
의류 컨테이너(313a)는 흡기구(미도시)와 연결되어, 송풍팬(313c)에 의해 공기가 유입될 수 있다.The
구동부(313b)는 거치대를 구동하여 거치대에 거치된 의류에 대하여 기 설정된 움직임을 유도할 수 있다.The driving
예컨대, 구동부(313b)는 일정한 진동 패턴에 따라 거치대와 거치대에 거치된 의류가 진동하도록 동작할 수 있다. 거치된 의류를 진동시킴에 따라 의류에 부착 또는 점착된 먼지나 이물질 등을 제거할 수 있다.For example, the driving
구동부(313b)는 속도 제어가 가능한 모터를 포함할 수 있다.The driving
이때, 모터는 직접 구동 방식의 인버터 모터(Inverter Direct Drive Motor)일 수 있다. In this case, the motor may be an inverter motor of a direct drive method.
제어 프로세서(314)는 구동부(313b)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(313b)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(313b)의 모터의 구동을 제어할 수 있다.The
송풍팬(313c)은 의류 컨테이너(313a)의 외부에서 유입된 공기 또는 의류 컨테이너 내부(313a)의 공기를 의류 컨테이너 내부로 공급하여 공기를 순환시킨다.The blowing
송풍팬(313c)은 의류 컨테이너(313a)에 거치된 의류에 공급하는 공기가 부딪히도록 설치되거나, 공기 공급 방향이 제어될 수 있다.The blowing
예컨대, 송풍팬(313c)은 거치된 의류에 공기를 분사하여 의류에 부착 또는 점착된 먼지를 의류에서 떨어지도록 유도하거나, 의류의 습기를 제거할 수 있다.For example, the
에어 필터(313d)는 의류 컨테이너(313a)의 내부 공기가 순환될 때 혹은 내부 공기가 외부로 배출될 때 먼지 등을 필터링한다.The
살균부(313e)는 거치된 의류를 살균하는 다양한 살균 장치를 포함할 수 있다.The sterilizing
예컨대, 살균 장치에는 오존을 이용하는 살균 장치 및 자외선을 이용하는 살균 장치 등이 포함될 수 있다.For example, the sterilization device may include a sterilization device using ozone and a sterilization device using ultraviolet rays.
주름 관리부(313f)는 거치된 의류의 주름을 줄이거나 제거하며, 스팀 공급기, 다리미 및 다림질판 등을 포함할 수 있다.The
스팀 공급기는 공급된 물을 가열하여 스팀으로 만들고, 스팀을 의류 컨테이너(313a)에 자연 공급하거나 거치된 의류에 직접 분사할 수 있다.The steam supply unit heats the supplied water to make steam, and may naturally supply the steam to the
다리미 및 다림질판은 의류 컨테이너(313a)의 내부에 구비된다. 그리고, 다림질 대상 의류의 모양, 위치 및 소재 등을 고려하여 결정된 다림질 작동 정보에 따라 그 작동이 제어될 수 있다.The iron and ironing board are provided inside the
이때, 다림질 작동 정보에는 다리미와 다림질판의 위치/동선, 다림질 온도/시간 등이 포함될 수 있다.In this case, the ironing operation information may include the location/movement of the iron and the ironing board, the ironing temperature/time, and the like.
제어 프로세서(314)는 구동부(313b) 또는 주름 관리부(313f)에 별도로 구비된 구동부를 제어하여 다리미와 다림질판을 움직임을 제어할 수 있으며, 다림질 작동 정보에 따라 다리미 및 다림질판을 제어할 수 있다.The
도 6은 본 개시에서 전반적인 흐름도를 나타낸다.6 shows an overall flow diagram in the present disclosure.
도 6을 참조하면, 세탁물 처리 장치(300)의 프로세서(180)는 사용자 이미지 정보를 획득할 수 있다(S610). 일 실시 예에서, 프로세서(180)는 카메라를 통해 촬영된 이미지에 기초하여 사용자 이미지 정보를 획득할 수 있다. 이때, 카메라를 통해 촬영된 이미지는 복수의 이미지를 포함하는 영상 또는 단일 이미지를 포함할 수 있다.Referring to FIG. 6 , the
프로세서(180)는 카메라로부터 사용자 이미지 정보를 획득하고, 획득한 사용자 이미지 정보를 이용하여 사용자 이미지 정보에 포함된 사용자를 식별하고, 상기 사용자의 행동 정보를 획득할 수 있다(S620). 일 실시 예에서, 프로세서(180)는 사용자 이미지 정보에서 특징 정보를 추출하여 해당 사용자 이미지 정보의 특징 정보에 매칭되는 사용자를 식별하고, 특징 정보에 대응하는 행동 정보를 식별할 수 있다.The
프로세서(180)는 사용자 및 행동 정보에 대응하는 세탁 정보를 획득할 수 있다(S630). 일 실시 예에서, 프로세서(180)는 사용자 이미지 정보를 인공 지능 모델에 입력하여 사용자 및 행동 정보에 대응하는 세탁 정보를 획득할 수 있다. 또 다른 예로, 프로세서(180)는 인공 지능 모델에 사용자 정보 및 행동 정보를 입력하여 인공 지능 모델이 출력한 세탁 정보를 획득할 수 있다.The
상기 예시는 사용자 이미지 정보에서 특징 정보를 추출하여 인공 지능 모델에 입력하는 경우와, 인공 지능 모델에 사용자 이미지 정보가 입력되면 인공 지능 모델 내부 알고리즘에 의하여 특징 정보가 추출되고, 상기 특징 정보에 대응되는 세탁 정보가 출력되는 것으로, 전처리 과정 또는 알고리즘의 구성에 따라 변경될 수 있으며 상기 예시에 한정되는 것은 아니다.The example is a case in which feature information is extracted from user image information and input to an artificial intelligence model, and when user image information is input to an artificial intelligence model, feature information is extracted by an algorithm inside the artificial intelligence model, and corresponding to the feature information The laundry information is output and may be changed according to the configuration of the pre-processing process or algorithm, but is not limited to the above example.
프로세서(180)는 사용자 및 행동 정보에 대응하는 세탁 정보를 획득하면, 획득된 세탁 정보에 따라 사용자 행동에 맞춤 설정을 제공할 수 있다(S640).When the
프로세서(180)는 사용자 행동에 맞춤 설정에 따라 세탁 정보에 대응하는 동작을 수행할 수 있다.The
도 7은 본 개시의 사용 시나리오를 나타낸 도면이다.7 is a diagram illustrating a usage scenario of the present disclosure.
도 7을 참조하면, 사용자(610)는 빨래를 하기 위한 세탁물을 빨래 바구니에 담아 세탁기로 접근하는 경우이다.Referring to FIG. 7 , a user 610 puts laundry for washing in a laundry basket and approaches the washing machine.
카메라(121)는 접근하는 사용자 이미지 정보를 센싱할 수 있다. 프로세서(180)은 카메라(121)에서 센싱한 사용자 이미지 정보를 획득할 수 있다. 이때 사용자 이미지 정보는 사용자(610) 정보 및 빨래 바구니를 지닌 채로 접근하는 행동 정보가 포함될 수 있다.The
프로세서(180)는 획득한 사용자 이미지 정보의 특징을 추출할 수 있다. 프로세서(180)는 사용자 이미지 정보에서 추출한 특징 정보를 이용하여 사용자를 식별하고, 사용자의 행동 정보를 인식할 수 있다. 이때, 상기 특징을 추출하기 위하여 인공 지능 모델이 사용 될 수 있으며 상기 인공 지능 모델은 컴퓨터 비전 기술을 사용하거나 이미지의 엣지(edge)정보를 추출하여 사전 정의된 카테고리로 분류하거나, 객체와 사용자의 얼굴을 감지하여 사용자를 식별, 사용자의 행동을 인식할 수 있다.The
프로세서(180)는 사용자(610) 정보와 행동 정보인 '세탁 바구니를 지닌 채로 접근' 을 인공 지능 모델에 입력할 수 있다. 또는 프로세서(180)는 사용자 이미지 정보를 인공 지능 모델에 입력할 수 있다. 세탁물 처리 장치는 인공 지능 모델이 출력한 세탁 정보를 사용자(610) 맞춤 세탁 코스로 인지하고, 상기 세탁 정보에 대응하는 동작을 수행할 수 있다. 이하 인공 지능 모델의 동작에 대하여 도 8에서 자세히 설명한다.The
도 8은 본 개시의 인공 지능 모델을 나타내는 도면이다.8 is a diagram illustrating an artificial intelligence model of the present disclosure.
프로세서(180)는 카메라(121)에서 수신된 사용자 이미지 정보를 획득하고, 사용자 이미지 정보(810)에 포함된 특징(820)을 추출할 수 있다. 상기 사용자 이미지 정보에 포함된 특징(820)은 사용자가 누구인지 구별할 수 있는 사용자 식별 정보와 사용자의 의도가 담긴 행동 정보를 포함할 수 있다. 즉, 상기 카메라(121)는 복수의 사용자 이미지 정보를 센싱하고, 상기 프로세서(180)는 상기 복수의 사용자 이미지를 인공 지능 모델(830)에 입력하여 사용자 의도를 판단하고, 상기 사용자의 의도가 상기 세탁물 처리 기기의 동작과 관련 있는 경우 상기 인공 지능 모델을 이용하여 상기 세탁 정보에 대응하는 동작을 수행할 수 있다.The
이때, 사용자 식별 정보란 세탁물 처리 장치를 사용하는 사용자 각각을 구별할 수 있는 특징 정보를 의미할 수 있다. 그리고 행동 정보란 사용자의 행동 패턴을 분석하여 사용자 이미지 정보에 포함된 사용자의 행동이 세탁물 처리 장치에 관련된 행동인지 분류하고, 사용자의 행동이 세탁물 처리 장치에 관련된 행동인 경우, 1) 세탁물의 세탁 또는 건조에 관련된 동작 또는 2) 세탁물과 관련은 없으나 세탁물 처리 장치에 포함된 부가적 기능을 사용하기 위한 행동이 포함된 특징 정보를 의미할 수 있다. In this case, the user identification information may refer to characteristic information capable of distinguishing each user who uses the laundry treatment apparatus. And the behavior information is a behavioral pattern analysis of the user to classify whether the user's behavior included in the user image information is a behavior related to the laundry processing device, if the user's behavior is related to the laundry processing device, 1) laundry or It may refer to characteristic information including an action related to drying or 2) an action not related to laundry but for using an additional function included in the laundry treatment apparatus.
구체적으로 행동 정보는 세탁물 처리 장치와 관련 없는 '단순 행동'과 세탁물 처리 장치와 관련되고, 세탁물의 세탁 또는 건조에 관련된 동작인 '오브젝트를 지닌 채로 접근'또는 세탁물 처리 장치와 관련되고, 세탁물 처리 장치에 포함된 부가적 기능을 사용인 ' 전원 온/오프', '세제 잔량 확인 및 세제 보충' 과 같은 행동을 포함할 수 있다.Specifically, the behavioral information is related to 'simple behavior' not related to the laundry treatment device and the laundry treatment device, and is related to 'access with an object' or the laundry treatment device, which is an operation related to washing or drying laundry, and the laundry treatment device It can include actions such as 'power on/off', 'check remaining amount of detergent and replenish detergent' using additional functions included in .
예를 들어 '단순 행동'은 세탁물 처리 장치 주변을 사용자(810)가 지나쳐 가는 경우를 포함할 수 있다. 또는 세탁물 처리 기기의 카메라(121)의 화각에 사용자(810)가 단순 검출되어 사용자 이미지 정보가 획득 되는 경우를 포함할 수 있다.For example, the 'simple action' may include a case in which the
또한 '오브젝트를 지닌 채로 접근'은 사용자가 세탁을 하기 위하여 세탁물 처리 장치에 오브젝트를 지닌 상태로 다가오는 경우를 포함할 수 있다. 이때 오브젝트란 빨래 바구니, 세제 바구니 및 낱개의 세탁물을 의미하는 기타 세탁물 중 적어도 하나를 포함할 수 있다. Also, 'approaching with an object' may include a case in which a user approaches the laundry processing apparatus with an object to do laundry. In this case, the object may include at least one of a laundry basket, a detergent basket, and other laundry that means individual laundry.
또한, '세탁물 처리 장치에 포함된 부가적 기능'의 사용은 앞서 설명한 바와 같이 전원 온 오프 동작, 세제 잔량 확인과 같이 세탁물의 세탁 또는 건조와는 직접적인 관련이 없으나, 세탁물의 세탁 또는 건조에 필요한 세탁물 처리 장치의 기능을 의미할 수 있다.In addition, as described above, the use of 'additional functions included in the laundry treatment apparatus' is not directly related to washing or drying laundry, such as power on/off operation and checking the remaining amount of detergent, but laundry necessary for washing or drying laundry. It may mean a function of a processing device.
프로세서(180)는 인공 지능 모델이 출력한 세탁 정보를 이용하여 세탁 정보에 대응하는 동작을 수행할 수 있다. 예를 들어 사용자의 행동 정보가 세탁물 처리와 관련되고, 오브젝트가 빨래 바구니로 검출되는 경우 인공 지능 모델은 세탁 정보로 '세탁 시간 13분, 헹굼 3회, 탈수 4회, 수온 냉수 및 물살 강도 중'과 같은 세탁 정보를 출력할 수 있다. 프로세서(180)는 상기 세탁 정보에 대응되는 동작을 세탁물 처리 장치가 수행하도록 세탁물 처리 장치를 제어할 수 있다.The
본 개시의 일 실시 예에서, 인공 지능 모델(830)은 사용자 이미지 정보(810)가 입력되면 결과값으로 세탁 정보(840)를 출력할 수 있다. 이때 인공 지능 모델은 경험적 데이터를 기반으로 학습하고 예측을 수행하는, 머신 러닝(machine learning)알고리즘을 포함할 수 있다. 대표적으로 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등의 알고리즘을 포함할 수 있다. 인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다. 그리고, 인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.In an embodiment of the present disclosure, when the
구체적으로 본 개시의 인공 지능 모델의 입력층은 사용자 이미지 정보의 특징을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 특징 신호를 받고, 수신한 신호에 기반한 출력값인 세탁 정보를 출력한다. 본 개시의 입력층은 사용자 이미지 정보 또는 사용자 이미지 정보에 포함된 특징(820)을 입력값으로 사용할 수 있다.Specifically, the input layer of the artificial intelligence model of the present disclosure extracts features of user image information and transmits them to the output layer. The output layer receives the feature signal from the hidden layer, and outputs laundry information, which is an output value based on the received signal. The input layer of the present disclosure may use user image information or a
이하, 본 개시의 인공 지능 모델(830)의 학습 과정을 설명한다.Hereinafter, a learning process of the
본 개시의 인공 지능 모델은 사용자 이미지 정보가 입력되면 상기 사용자 및 상기 행동 정보에 대응하는 세탁 정보를 출력하도록 훈련된 머신 러닝 알고리즘을 포함할 수 있다. 구체적으로 인공 지능 모델(830)의 훈련 방법에 있어서, 인공 지능 모델은 과거의 사용자 및 과거의 행동 정보와 상기 과거의 사용자 및 과거의 행동 정보에 대응하는 세탁 정보를 포함하는 사용 이력을 학습 데이터로 사용할 수 있다. 이하 도 9에서 설명한다.The artificial intelligence model of the present disclosure may include a machine learning algorithm trained to output laundry information corresponding to the user and the behavior information when user image information is input. Specifically, in the training method of the
도 9는 본 개시의 인공 지능 모델의 학습 과정을 나타내기 위한 흐름도이다.9 is a flowchart illustrating a learning process of an artificial intelligence model of the present disclosure.
본 개시의 프로세서(180)는 사용자 이미지 정보를 이용하여 사용자를 식별하고(S910), 사용자 행동 정보를 인식할 수 있다(S920). 프로세서(180)는 사용자 행동 정보에 포함된 특징을 추출하여, 상기 특징 정보에서 오브젝트가 식별되는지 여부를 판단할 수 있다(S930). 프로세서(180)는 오브젝트가 식별되었다고 판단하면 인공 지능 모델의 훈련용 데이터를 수집하기 위하여 세탁물 처리와 관련된 동작 설정을 획득할 수 있다(S940). 상기 세탁물 처리와 관련된 세탁 설정은 세탁 시간, 헹굼 횟수, 탈수 횟수, 세탁 수온 및 물살 강도 중 적어도 하나를 포함하는 세탁물 처리 장치의 동작을 포함할 수 있다. 그리고 세탁물 처리와 관련된 세탁 설정은 사용자가 세탁물 처리 장치를 사용할 때 획득될 수 있다.The
프로세서(180)는 사용자와 사용자의 행동 정보 및 세탁물 처리와 관련된 동작 설정을 사용 이력으로 설정하고, 상기 사용 이력을 인공 지능 모델의 훈련용 데이터로 생성할 수 있다(S950). 이때 훈련용 데이터는 메모리(170)에 저장될 수 있다. 프로세서(180)는 훈련용 데이터를 이용하여 인공 지능 모델을 학습시킬 수 있다(S960).The
예를 들어, 제 1 사용자가 빨래를 하기 위하여 빨래 바구니를 지닌 채로 세탁기에 접근하여 헹굼 3회, 탈수 4회 세탁 수온 냉수 및 물살 강도 강으로 설정하여 세탁물 처리 장치를 동작시킨 경우, 본 개시의 프로세서는 카메라에서 획득된 복수의 사용자 이미지 중 제1 사용자와 제1 사용자의 행동 정보인 '빨래 바구니를 지닌 채로 접근'하는 특징이 포함된 제1 이미지를 획득할 수 있다.For example, when the first user approaches the washing machine while carrying the laundry basket to do laundry, and operates the laundry treatment apparatus by setting the washing water temperature to cold water and strong current for washing 3 times and spin-drying 4 times, the processor of the present disclosure may acquire a first image including a feature of 'approaching with a laundry basket', which is the first user and behavior information of the first user, among a plurality of user images acquired by the camera.
사용자는 세탁기의 전원을 켜고, 세탁기에 세탁 동작을 입력할 수 있다. 예시로 상기 헹굼 3회, 탈수 4회, 세탁 수온 냉수 및 물살 강도 강을 세탁 정보로 설정할 수 있다. The user may turn on the washing machine and input a washing operation into the washing machine. For example, the rinsing 3 times, dehydration 4 times, washing water temperature, cold water, and water strength strong may be set as washing information.
프로세서(180)는 제1 이미지를 획득한 이후, 제1 사용자, 제1 사용자가 빨래 바구니를 지닌채로 접근(행동 정보) 및 헹굼 3회, 탈수 4회, 세탁 수온 냉수 및 물살 강도 강(세탁 정보)을 사용 이력으로 획득할 수 있다. 상기 사용 이력은 메모리(170)에 저장될 수 있다.After acquiring the first image, the
프로세서(180)는 일정 기간 사용자에 대응하는 사용 이력을 획득하고, 사용 이력을 인공 지능 모델의 훈련용 데이터로 설정하여 상기 인공 지능 모델을 학습시킬 수 있다.The
상기 훈련용 데이터를 이용하여 학습된 인공 지능 모델은 제1 사용자 및 제1 사용자의 행동 정보가 포함된 데이터가 입력되면 제1 사용자의 행동 정보에 대응하는 세탁 정보를 출력할 수 있다.The artificial intelligence model learned using the training data may output laundry information corresponding to the behavior information of the first user when the first user and data including the behavior information of the first user are input.
따라서 학습된 인공 지능 모델을 제1 사용자가 사용하는 경우, 학습된 인공 지능 모델이 출력하는 제1 사용자 맞춤 세탁 동작은 과거에 상기 제1 사용자가 상기 오브젝트를 지닌 상태에서 설정한 세탁 동작을 포함할 수 있다. 이때 학습된 인공 지능 모델의 학습 데이터는 과거의 사용자 및 과거의 행동 정보와, 상기 과거의 사용자 및 과거의 행동 정보에 대응하는 세탁 정보를 포함하는 사용 이력을 포함할 수 있다.Therefore, when the first user uses the learned artificial intelligence model, the first user-customized washing operation output by the learned artificial intelligence model may include the washing operation set by the first user in the past while holding the object. can In this case, the learning data of the learned artificial intelligence model may include a usage history including past user and past behavior information and laundry information corresponding to the past user and past behavior information.
그리고 본 개시에 실시 예에서, 행동 정보에 포함된 오브젝트가 달라지는 경우 사용자 이미지 정보에 포함된 특징 정보도 다르므로, 인공 지능 모델에 입력되는 특징 또한 달라진다. In addition, in an embodiment of the present disclosure, when the object included in the behavior information is different, the characteristic information included in the user image information is also different, so the characteristic input to the artificial intelligence model is also changed.
구체적으로 상기 오브젝트는 빨래 바구니, 세제 바구니 및 기타 세탁물 중 적어도 하나를 포함할 수 있으며, 그에 대응하여 상기 제1 사용자 맞춤 세탁 동작은 상기 빨래 바구니, 상기 세제 바구니 및 상기 기타 세탁물의 종류마다 상이하게 결정될 수 있다.Specifically, the object may include at least one of a laundry basket, a detergent basket, and other laundry, and correspondingly, the first user-customized laundry operation may be determined differently for each type of the laundry basket, the detergent basket, and the other laundry. can
예를 들어 오브젝트가 빨래 바구니인 경우 인공 지능 모델의 출력값은 전반적인 세탁 동작이 포함된 세탁 정보가 출력될 수 있으며, 세제 바구니인 경우 세제 투입을 위한 동작이 포함된 세탁 정보가 출력될 수 있다. 또는 오브젝트가 바구니를 포함하지 않은 낱개의 기타 세탁물(양말, 수건 등)인 경우 상기 기타 세탁물에 알맞은 세탁 정보(면 세탁, 울세탁 등)이 출력될 수 있다.For example, when the object is a laundry basket, laundry information including an overall laundry operation may be output as an output value of the artificial intelligence model, and in the case of a detergent basket, laundry information including an operation for detergent input may be output. Alternatively, if the object is other laundry (socks, towels, etc.) that does not include a basket, laundry information (cotton laundry, wool laundry, etc.) suitable for the other laundry may be output.
본 개시의 일 실시 예에서, 프로세서(180)는 오브젝트가 식별되지 않은 경우(S930 - no), 인공 지능 모델의 훈련용 데이터를 수집하기 위하여 세탁물 처리와 관련되지 않은 세탁 동작에 부가적인 동작 설정을 획득할 수 있다(S941).In an embodiment of the present disclosure, when the object is not identified (S930 - no), the
상기 세탁 동작에 부가적인 동작이라 함은 세탁물 처리 장치의 전원을 켜거나 세제 잔량 알림 중 적어도 하나를 포함할 수 있다.The operation additional to the washing operation may include at least one of turning on the power of the laundry processing apparatus and notifying the remaining amount of detergent.
예를 들어, 제1 사용자가 세탁기에 접근한다. 제1 사용자는 세탁 세제 잔량을 확인하기 위하여 세탁 세제가 보관된 세제 용기를 연다. For example, the first user accesses the washing machine. The first user opens the detergent container in which the laundry detergent is stored in order to check the remaining amount of laundry detergent.
프로세서(180)는 복수의 사용자 이미지 정보 중 제1 사용자와 제1 사용자의 행동 정보인 '세탁기에 접근하여 세제 용기를 여는 행동'의 특징이 포함된 제2 이미지를 획득할 수 있다. The
프로세서(180)는 사용자가 세탁기의 세제 용기를 여는 동작을 수행하면, '세제 용기를 여는 동작'을 세탁 정보로 설정할 수 있다.When the user performs an operation of opening the detergent container of the washing machine, the
그리고, 프로세서(180)는 제1 사용자, 제1 사용자가 '세탁기에 접근'(행동 정보) 및 세제 용기를 여는 동작(세탁 정보)를 사용 이력으로 획득할 수 있다. 상기 사용 이력은 메모리(170)에 저장될 수 있다.In addition, the
프로세서(180)는 일정 기간 사용자에 대응하는 사용이력을 획득하고, 사용 이력을 인공 지능 모델의 훈련 데이터로 설정하여 상기 인공 지능 모델을 학습시킬 수 있다. The
즉, 상기 인공 지능 모델의 학습 데이터는, 상기 사용자로 상기 제1 사용자, 상기 행동 정보로 상기 세탁물 처리 장치로 접근 및 상기 세탁 정보로 '전원 온 및 세제 잔량 확인 중 적어도 하나'를 포함할 수 있다.That is, the learning data of the artificial intelligence model may include the first user as the user, access to the laundry processing device as the behavior information, and 'at least one of power on and checking the remaining amount of detergent' as the laundry information. .
따라서 학습된 인공 지능 모델을 제1 사용자가 사용하는 경우, 세탁물 처리 장치의 프로세서(180)는 상기 사용자 이미지 정보에서 제1 사용자가 검출되고, 상기 제1 사용자의 행동 정보가 '상기 세탁물 처리 장치로 접근'인 경우, 상기 인공 지능 모델이 출력한 전원 온 및 세제 잔량 알림 중 적어도 하나를 포함하는 동작을 수행할 수 있다.Therefore, when the first user uses the learned artificial intelligence model, the
본 개시의 일 실시 예에서, 프로세서(180)는 오브젝트가 식별되지 않고 세탁물 처리 장치의 부가 기능 또한 동작되지 않은 경우, 해당 사용자 이미지 정보에 포함된 행동 정보를 세탁물 처리와 관련 없는 '단순 행동'으로 판단하고, 인공 지능 모델의 훈련용 데이터를 생성할 수 있다.In an embodiment of the present disclosure, when the object is not identified and the additional function of the laundry processing apparatus is not operated, the
구체적으로 상기 세탁물 처리와 관련 없는 '단순 행동'의 경우 사용자 이미지 정보, 상기 사용자 이미지 정보와 대응하는 행동 정보 및 '어떠한 동작도 수행하지 않음'을 훈련용 데이터로 생성할 수 있다. Specifically, in the case of 'simple behavior' not related to the laundry treatment, user image information, behavior information corresponding to the user image information, and 'do not perform any operation' may be generated as training data.
예를 들어, 사용자가 단순히 세탁물 처리 장치 앞을 지나가는 경우, 프로세서(180)는 사용자와 사용자의 '단순 보행'을 행동 정보로 판단하고, 단순 보행하는 사용자 이미지 정보가 입력되면 세탁물 처리 장치가 현 상태를 유지하거나 추가적인 동작을 수행하지 않도록 하는 세탁 정보를 정답값으로 설정하여 인공 지능 모델을 학습 시킬 수 있다.For example, when the user simply passes in front of the laundry treatment device, the
이후, 사용자의 유사한 단순 보행이 검출되는 경우 프로세서(180)는 현 상태를 유지하거나 추가적인 동작을 수행하지 않을 것이다. 위와 같이 인공 지능 모델은 사용자를 식별하고, 상기 사용자에 대응하는 행동 정보를 수집하여 사용자의 행동 패턴에 기반한 세탁 정보를 출력함으로써, 상황에 알맞은 세탁 동작을 제공할 수 있을 것이다.Thereafter, when a similar simple gait of the user is detected, the
상기 도 8 내지 9에서 설명한 과정을 통하여 도 7의 시나리오가 구현될 수 있다.The scenario of FIG. 7 may be implemented through the processes described with reference to FIGS. 8 to 9 .
도 10은 본 개시의 학습된 인공 지능 모델을 사용할 경우의 흐름도이다.10 is a flowchart when using the learned artificial intelligence model of the present disclosure.
도 10을 참조하면, 세탁물 처리 장치의 카메라는 사용자 이미지 정보를 센싱할 수 있다. 프로세서(180)는 사용자 이미지 정보에 포함된 사용자 및 행동 정보를 식별할 수 있다. 프로세서(180)는 사용자 이미지 정보 또는 사용자 이미지 정보에 포함된 특징 데이터를 인공 지능 모델에 입력하고 인공 지능 모델이 출력한 세탁 정보에 대응하는 동작을 수행할 수 있다.Referring to FIG. 10 , the camera of the laundry processing apparatus may sense user image information. The
만약, 인공 지능 모델에 입력된 사용자 이미지 정보에 학습된 사용자가 포함되고, 학습된 사용자의 행동 정보인 '오브젝트를 지닌 채로 접근'의 특징이 포함된 경우 상기 인공 지능 장치는 사용자 맞춤 세탁 정보를 출력하고, 프로세서(180)는 상기 사용자 맞춤 세탁 정보에 대응하는 동작을 수행할 수 있다.If the learned user is included in the user image information input to the artificial intelligence model and the feature of 'approach with an object', which is the learned user's behavior information, is included, the artificial intelligence device outputs user-customized laundry information and the
또한, 인공 지능 모델에 입력된 사용자 이미지 정보에 학습된 사용자가 포함되고, 학습된 사용자의 행동 정보인 '오브젝트는 지니지 않고, 세탁물 처리 장치로 접근'의 특징이 포함된 경우, 상기 인공 지능 장치는 세탁 동작에 부가적 동작을 제공에 대응하는 세탁 정보를 출력하고, 상기 프로세서는 상기 세탁 정보에 대응하는 동작을 수행할 수 있다.In addition, when the learned user is included in the user image information input to the artificial intelligence model, and the feature of 'access to the laundry treatment device without having an object', which is the learned user's behavior information, the artificial intelligence device is The laundry information corresponding to providing an additional operation to the laundry operation may be output, and the processor may perform an operation corresponding to the laundry information.
또한, 인공 지능 모델에 입력된 사용자 이미지 정보에 학습된 사용자가 포함되고, 학습된 사용자의 행동 정보인 '단순 보행'의 특징이 포함된 경우 상기 인공 지능 장치는 '동작 하지 않음'의 세탁 정보를 출력하고 프로세서는 추가적인 사용자 이미지 정보가 센싱될 때까지 현 상태를 유지할 수 있다.In addition, when the learned user is included in the user image information input to the artificial intelligence model, and the feature of 'simple walking', which is the learned user's behavior information, is included, the artificial intelligence device returns the laundry information of 'not working'. output, and the processor may maintain the current state until additional user image information is sensed.
도 11은 본 개시의 세탁물 처리 장치가 획득한 사용자 이미지 정보에서 행동 정보에 오브젝트가 포함된 경우의 시나리오를 나타낸 도면이다.11 is a diagram illustrating a scenario in which an object is included in action information in user image information obtained by the laundry processing apparatus of the present disclosure.
도 11을 참조하면, 사용자(1110)는 세탁 바구니를 지닌 채(1120) 세탁물 처리 장치(100)로 접근할 수 있다. 세탁물 처리 장치(100)의 전면 카메라는 접근하는 사용자(1110)의 사용자 이미지 정보(1100)를 센싱할 수 있다. 프로세서(180)는 사용자 이미지 정보(1100)를 획득하고, 세탁 정보를 얻기 위하여 인공 지능 모델에 입력할 수 있다. 또는 사용자 이미지 정보(1100)의 전처리 과정에서 획득된 사용자(1110) 특징 데이터와 사용자의 행동 정보(1120)의 특징 데이터를 인공 지능 모델에 입력할 수 있다.Referring to FIG. 11 , a
세탁물 처리 장치(100)의 인공 지능 모델은 입력층에 데이터가 입력되면 사용자(1110)와 사용자의 행동 정보(1120)에 대응하는 세탁 정보를 출력할 수 있다. 앞서 설명한 바와 같이 인공 지능 모델이 과거의 사용자(1110)의 사용 이력을 이용하여 학습되었으므로, 사용자 이미지 정보(1100)가 입력되면 사용자(1110)와 사용자의 행동 정보(1120)에 대응하는 세탁 정보인 헹굼 3회, 탈수 4회, 수온 냉수 및 물살 강도 중 과 같은 세탁 정보가 출력될 수 있다. 따라서 사용자(1110)는 세탁 바구니를 지닌 채(1120) 세탁물 처리 장치에 접근하면, 상기 세탁물 처리 장치(100)는 사용자의 세탁 의도를 파악하고, 세탁 동작을 설정할 수 있다.The artificial intelligence model of the
도 12는 본 개시의 세탁물 처리 장치의 동작 중 사용자 이미지 정보가 획득된 경우의 흐름도이다.12 is a flowchart when user image information is obtained during the operation of the laundry treatment apparatus of the present disclosure.
일 실시 예에서, 세탁물 처리 장치의 동작 중 세탁물 처리 장치가 수행할 수 있는 세탁 동작은 제한적이므로 세탁물 처리 장치의 동작 중에 획득되어야 할 세탁 정보 또한 달라진다.In an embodiment, since the laundry operation that the laundry treatment apparatus can perform during the operation of the laundry treatment apparatus is limited, laundry information to be obtained during the operation of the laundry treatment apparatus also varies.
예를 들어 본 개시의 세탁물 처리 장치는 세탁 동작 중 사용자가 세탁물 처리 장치에 추가 세탁물을 지닌 채로 접근하여 추가 세탁물을 투입하는 경우를 가정하자. For example, in the laundry treatment apparatus of the present disclosure, it is assumed that a user approaches the laundry treatment apparatus while carrying the additional laundry and inputs the additional laundry during a washing operation.
세탁물 처리 장치의 카메라는 사용자 이미지 정보를 센싱할 수 있다. 프로세서(180)는 사용자 이미지 정보에서 사용자를 식별하고, 행동 정보를 인식할 수 있다. 만약 상기 사용자 이미지 정보에는 오브젝트로 추가 세탁물이 식별될 수 있다. 프로세서(180)는 상기 사용자 이미지 정보에 포함된 사용자와, 행동 정보인 '추가 세탁물을 지닌 채 접근'및 '추가 세탁물 투입 용기 열림’을 사용 이력으로 설정하고 설정된 사용 이력을 훈련용 데이터로 생성할 수 있다.The camera of the laundry treatment apparatus may sense user image information. The
또 다른 예시로 본 개시의 세탁물 처리 장치는 세탁 동작 중 사용자가 세탁물 처리 장치에 세제 잔량을 확인하기 위하여 접근하여 세탁물 처리 장치의 세제 용기에 세제를 투입하는 경우를 가정하자.As another example, in the laundry treatment apparatus of the present disclosure, it is assumed that a user approaches the laundry treatment apparatus to check the remaining amount of detergent and injects detergent into the detergent container of the laundry treatment apparatus during a washing operation.
세탁물 처리 장치의 프로세서(180)는 획득된 사용자 이미지에 포함된 사용자와 행동 정보인 '세탁물 처리 장치에 접근' 및 '세제 용기 열림'을 사용 이력으로 설정하고 설정된 사용 이력을 훈련용 데이터로 생성할 수 있다. 프로세서는 일정 기간 수집된 사용 이력을 이용하여 인공 지능 모델을 학습시킬 수 있다. The
도 13은 세탁물 처리 장치의 동작 중 사용자 이미지 정보가 획득된 경우 인공 지능 모델의 동작 과정을 나타낸 흐름도이다.13 is a flowchart illustrating an operation process of an artificial intelligence model when user image information is acquired during operation of the laundry processing apparatus.
상기 도 12의 흐름도에 따라 학습된 인공 지능 모델은 세탁물 처리 장치가 세탁 동작 중에 사용자 이미지 정보가 수신되는 경우 활성화될 수 있다. 구체적으로 본 개시의 프로세서는 상기 세탁물 처리 장치 동작 중에 상기 사용자 이미지 정보에서 제1 사용자가 검출되고, 상기 제1 사용자의 행동 정보가 '상기 세탁물 처리 장치로 접근'인 경우, 상기 인공 지능 모델이 출력한 세제 잔량 알림 동작을 수행할 수 있다(S1310, S1320, S1331).The artificial intelligence model learned according to the flowchart of FIG. 12 may be activated when the laundry processing apparatus receives user image information during a washing operation. Specifically, in the processor of the present disclosure, when the first user is detected from the user image information during the operation of the laundry treatment device, and the behavior information of the first user is 'approach to the laundry treatment device', the artificial intelligence model is output One detergent remaining amount notification operation may be performed (S1310, S1320, S1331).
또 다른 실시 예에서, 상기 프로세서는 상기 세탁물 처리 장치 동작 중에 상기 사용자 이미지 정보에서 제1 사용자가 검출되고, 상기 제1 사용자의 행동 정보가 '오브젝트를 지닌 상태로 접근'인 경우, 상기 인공 지능 모델이 출력한 세탁물 추가 투입 동작을 수행할 수 있다(S1330).In another embodiment, the processor detects the first user from the user image information during the operation of the laundry processing device, and when the behavior information of the first user is 'approaching with an object', the artificial intelligence model This output laundry addition operation may be performed (S1330).
도 14 는 본 개시의 세탁물 처리 장치의 동작 중 사용자 이미지 정보가 획득된 경우의 시나리오이다.14 is a scenario in which user image information is obtained during the operation of the laundry treatment apparatus of the present disclosure.
도 14를 참조하면 사용자(1410)는 추가 세탁물을 투입하기 위하여 세탁 동작 중인 세탁기에 접근할 수 있다. 세탁기의 프로세서(180)는 사용자 이미지 정보(1400)를 획득하고 획득된 사용자 이미지 정보를 학습된 인공 지능 모델에 입력할 수 있다. 획득된 사용자 이미지 정보(1400)에는 과거에 사용 이력을 통하여 사용자(1410) 및 사용자의 행동 정보(1420)의 특징이 포함되어 있으므로, 학습된 인공 지능 모델은 사용자(1410)와 사용자가 지닌 추가 세탁물(1420)에 대응되는 동작인 '추가 세탁물 투입 용기 열림'의 세탁 정보를 출력하고, 프로세서는 추가 세탁물 투입 용기 열림 동작을 수행할 수 있다.Referring to FIG. 14 , the
그리고 출력부는 음성 또는 메뉴 정보를 이용하여 추가 세탁물 투입에 관련된 알림을 표시할 수 있다.In addition, the output unit may display a notification related to the input of additional laundry using voice or menu information.
일 실시 예에서, 본 개시의 세탁물 처리 장치의 통신부는 서버와 통신하고, 상기 프로세서는 과거의 상기 사용자 및 상기 행동 정보와 상기 사용자 및 상기 행동 정보에 대응하는 세탁 정보를 포함하는 사용 이력을 상기 서버로 전송하고, 상기 서버에서 학습된 인공 지능 모델을 수신하는 하는 방식으로 학습된 인공 지능 모델을 사용할 수 있다.In one embodiment, the communication unit of the laundry processing apparatus of the present disclosure communicates with the server, and the processor records a usage history including laundry information corresponding to the user and the behavior information in the past and the user and the behavior information to the server It is possible to use the trained artificial intelligence model in such a way that it transmits to and receives the learned artificial intelligence model from the server.
본 개시의 세탁물 처리 장치는 복수의 사용자, 복수의 사용자 각각의 행동 정보 및 복수의 사용자 각각의 행동 정보에 대응하는 세탁 정보를 사용 이력으로 생성하고, 상기 사용 이력을 이용하여 인공 지능 모델을 학습시킴으로써 각 사용자와, 각 사용자의 행동 정보에 대응하는 맞춤형 세탁 동작을 수행할 수 있다. 그리고, 세탁물 처리 장치는 사용자 행동 정보가 포함된 데이터를 이용하므로, 사용자 행동 정보에 따른 상황 인지를 수행할 수 있다.The laundry processing apparatus of the present disclosure generates a plurality of users, behavior information of each of the plurality of users, and laundry information corresponding to the behavior information of each of the plurality of users as a usage history, and uses the usage history to learn an artificial intelligence model. It is possible to perform a customized washing operation corresponding to each user and behavior information of each user. And, since the laundry treatment apparatus uses data including user behavior information, it is possible to perform situation recognition according to the user behavior information.
그리고 사용자 마다 개별 맞춤 동작을 제공함으로써, 같은 행동 정보라도 사용자가 다르면 그에 대응하는 맞춤 세탁 동작 또한 상이할 수 있다. 구체적으로 프로세서는 상기 사용자 이미지 정보에서 제2 사용자가 검출되고 제2 사용자의 행동 정보가 '오브젝트를 지닌 상태로 접근'인 경우 상기 인공 지능 모델이 출력한 제2 사용자 맞춤 세탁 동작을 수행할 수 있다. 그리고 상기 제2 사용자 맞춤 세탁 동작은 상기 제1 사용자 맞춤 세탁 동작과 상이할 수 있다.In addition, by providing an individually customized operation for each user, even if the same behavior information is different for different users, the corresponding customized washing operation may also be different. Specifically, when the second user is detected from the user image information and the behavior information of the second user is 'approaching with an object', the processor may perform the second user-customized washing operation output by the artificial intelligence model. . In addition, the second customized washing operation may be different from the first customized washing operation.
상기 동작들은 동시에 수행될 수 있으며, 상기 수행되는 순서에 구속되지 않는다. 또한, 본 개시는 소프트웨어, firmware 또는 소프트웨어 나 firmware의 조합으로 구성될수 있다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.The operations may be performed simultaneously and are not limited to the order in which they are performed. In addition, the present disclosure may consist of software, firmware, or a combination of software or firmware. And the differences related to these modifications and applications should be construed as being included in the scope of the present invention defined in the appended claims.
전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.The present disclosure described above can be implemented as computer-readable code on a medium in which a program is recorded. The computer-readable medium includes all types of recording devices in which data readable by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this. In addition, the computer may include a
또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 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.In addition, although the above description has been focused on services and embodiments, these are merely examples and do not limit the present invention, and those of ordinary skill in the art to which the present invention pertains will not deviate from the essential characteristics of the present services and embodiments. It can be seen that various modifications and applications not exemplified above are possible. For example, each component specifically shown in the embodiments can be implemented by modification. And the differences related to these modifications and applications should be construed as being included in the scope of the present invention defined in the appended claims.
Claims (10)
상기 세탁 동작에 대응하는 정보를 표시하는 출력부;
사용자 이미지 정보를 센싱하는 카메라;
상기 사용자 이미지 정보를 인공 지능 모델에 입력하여 '사용자' 및 '행동 정보'에 대응하는 세탁 정보를 획득하고, 상기 세탁 정보에 대응하는 동작을 수행하는 프로세서를 포함하는,
세탁물 처리 장치.a washing unit performing a washing operation;
an output unit for displaying information corresponding to the washing operation;
a camera for sensing user image information;
A processor for inputting the user image information into an artificial intelligence model to obtain laundry information corresponding to 'user' and 'action information', and performing an operation corresponding to the laundry information,
laundry handling device.
상기 인공 지능 모델은
과거의 사용자 및 과거의 행동 정보와, 상기 과거의 사용자 및 과거의 행동 정보에 대응하는 세탁 정보를 포함하는 사용 이력을 학습 데이터로 사용하고,
상기 사용자 이미지 정보가 입력되면 '상기 사용자 및 상기 행동 정보에 대응하는 세탁 정보'를 출력하도록 훈련된 머신 러닝 알고리즘을 포함하는,
세탁물 처리 장치.The method of claim 1
The artificial intelligence model is
Using, as learning data, a usage history including past user and past behavior information, and laundry information corresponding to the past user and past behavior information,
Comprising a machine learning algorithm trained to output 'washing information corresponding to the user and the behavior information' when the user image information is input,
laundry handling device.
상기 프로세서는 상기 사용자 이미지 정보에서 제1 사용자가 검출되고, 상기 제1 사용자의 행동 정보가 '상기 세탁물 처리 장치로 접근'인 경우, 상기 인공 지능 모델이 출력한 전원 온 및 세제 잔량 알림 중 적어도 하나를 포함하는 동작을 수행하는,
세탁물 처리 장치.3. The method of claim 2,
The processor detects the first user from the user image information, and when the behavior information of the first user is 'approaching to the laundry processing device', at least one of power-on and detergent remaining amount notification output by the artificial intelligence model performing an operation comprising
laundry handling device.
상기 프로세서는 상기 사용자 이미지 정보에서 제1 사용자가 검출되고, 상기 제1 사용자의 행동 정보가 '오브젝트를 지닌 상태로 접근'인 경우, 상기 인공 지능 모델이 출력한 제1 사용자 맞춤 세탁 동작을 수행하고
상기 제1 사용자 맞춤 세탁 동작은 과거에 상기 제1 사용자가 상기 오브젝트를 지닌 상태에서 설정한 세탁 동작을 포함하는,
세탁물 처리 장치.3. The method of claim 2
When the first user is detected from the user image information and the behavior information of the first user is 'approaching with an object', the processor performs a first user-customized washing operation output by the artificial intelligence model,
The first user-customized washing operation includes a washing operation set by the first user in the past while carrying the object,
laundry handling device.
상기 오브젝트는
빨래 바구니, 세제 바구니 및 기타 세탁물 중 적어도 하나를 포함하고,
상기 제1 사용자 맞춤 세탁 동작은 상기 빨래 바구니, 상기 세제 바구니 및 상기 기타 세탁물의 종류마다 상이한,
세탁물 처리 장치.5. The method of claim 4
the object is
at least one of laundry baskets, detergent baskets and other laundry;
The first user-customized laundry operation is different for each type of the laundry basket, the detergent basket and the other laundry
laundry handling device.
상기 프로세서는 상기 세탁물 처리 장치 동작 중에 상기 사용자 이미지 정보에서 제1 사용자가 검출되고, 상기 제1 사용자의 행동 정보가 '상기 세탁물 처리 장치로 접근'인 경우, 상기 인공 지능 모델이 출력한 세제 잔량 알림 동작을 수행하는,
세탁물 처리 장치.3. The method of claim 2,
When the first user is detected from the user image information during the operation of the laundry treatment device, and the behavior information of the first user is 'approaching the laundry treatment device', the processor is configured to notify the remaining detergent amount output by the artificial intelligence model performing an action,
laundry handling device.
상기 프로세서는 상기 세탁물 처리 장치 동작 중에 상기 사용자 이미지 정보에서 제1 사용자가 검출되고, 상기 제1 사용자의 행동 정보가 '오브젝트를 지닌 상태로 접근'인 경우, 상기 인공 지능 모델이 출력한 세탁물 추가 투입 동작을 수행하는,
세탁물 처리 장치.The method of claim 1
When the first user is detected from the user image information during the operation of the laundry processing device, and the behavior information of the first user is 'approaching with an object', the processor adds laundry output from the artificial intelligence model performing an action,
laundry handling device.
상기 프로세서는 상기 사용자 이미지 정보에서 제2 사용자가 검출되고 제2 사용자의 행동 정보가 '오브젝트를 지닌 상태로 접근'인 경우 상기 인공 지능 모델이 출력한 제2 사용자 맞춤 세탁 동작을 수행하고,
상기 제2 사용자 맞춤 세탁 동작은 상기 제1 사용자 맞춤 세탁 동작과 상이한,
세탁물 처리 장치.5. The method of claim 4,
The processor performs a second user-customized washing operation output by the artificial intelligence model when a second user is detected from the user image information and the behavior information of the second user is 'approaching with an object',
the second customized washing operation is different from the first customized washing operation;
laundry handling device.
서버와 통신하는 통신부를 더 포함하고,
상기 프로세서는 과거의 상기 사용자 및 상기 행동 정보와 상기 사용자 및 상기 행동 정보에 대응하는 세탁 정보를 포함하는 사용 이력을 상기 서버로 전송하고, 상기 서버에서 학습된 인공 지능 모델을 수신하는
세탁물 처리 장치.The method of claim 1
Further comprising a communication unit for communicating with the server,
The processor transmits to the server a usage history including the user and the behavior information in the past and laundry information corresponding to the user and the behavior information, and receives the artificial intelligence model learned from the server.
laundry handling device.
상기 사용자 이미지 정보를 인공 지능 모델에 입력하여 '사용자' 및 '행동 정보'에 대응하는 세탁 정보를 획득하는 단계; 및 상기 세탁 정보에 대응하는 동작을 수행하는 단계를 포함하는,
세탁물 처리 장치의 동작 방법.sensing user image information;
obtaining laundry information corresponding to 'user' and 'action information' by inputting the user image information into an artificial intelligence model; and performing an operation corresponding to the laundry information,
A method of operation of a laundry treatment device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200002970A KR20210089880A (en) | 2020-01-09 | 2020-01-09 | Laundry treating apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200002970A KR20210089880A (en) | 2020-01-09 | 2020-01-09 | Laundry treating apparatus |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210089880A true KR20210089880A (en) | 2021-07-19 |
Family
ID=77125875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200002970A KR20210089880A (en) | 2020-01-09 | 2020-01-09 | Laundry treating apparatus |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20210089880A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839901A (en) * | 2022-03-25 | 2022-08-02 | 青岛海尔科技有限公司 | Control method and device of intelligent equipment, storage medium and electronic device |
-
2020
- 2020-01-09 KR KR1020200002970A patent/KR20210089880A/en active Search and Examination
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839901A (en) * | 2022-03-25 | 2022-08-02 | 青岛海尔科技有限公司 | Control method and device of intelligent equipment, storage medium and electronic device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11868881B2 (en) | Artificial intelligence laundry drying machine | |
CN111334972B (en) | Washing scheduling device and method thereof | |
US11692293B2 (en) | AI-based laundry treatment apparatus and operation method thereof | |
KR102305206B1 (en) | Robot cleaner for cleaning in consideration of floor state through artificial intelligence and operating method thereof | |
EP3674466B1 (en) | Laundry treatment device and method of determining laundry course thereof | |
US20220183531A1 (en) | Artificial intelligence dishwasher and dishwashing method using the same | |
US11580385B2 (en) | Artificial intelligence apparatus for cleaning in consideration of user's action and method for the same | |
EP3705617B1 (en) | Apparatus and operation method thereof | |
US11423302B2 (en) | Artificial intelligence laundry treatment apparatus | |
US11525202B2 (en) | AI-based laundry course recommending apparatus and method of controlling the same | |
US11607801B2 (en) | Artificial intelligence robot for managing movement of object using artificial intelligence and method of operating the same | |
US20190392382A1 (en) | Refrigerator for managing item using artificial intelligence and operating method thereof | |
EP3670729A1 (en) | Laundry treatment device and method of operating the same | |
KR20190100112A (en) | Refrigerator for providing information of item using artificial intelligence and operating method thereof | |
KR20190098102A (en) | Artificial intelligence device for controlling external device | |
KR20190114925A (en) | An artificial intelligence apparatus using sound signal classification and method for the same | |
KR20210089880A (en) | Laundry treating apparatus | |
KR20190094311A (en) | Artificial intelligence robot and operating method thereof | |
KR20210023367A (en) | Robot and method for controlling same | |
US20220260272A1 (en) | Artificial intelligence-based air conditioner | |
KR102689241B1 (en) | Ai-based apparatus and control method for recommendation for laundry course | |
US11739464B2 (en) | Washing machine providing fitted default washing options for user using learning method based on artificial intelligence and a system including the same | |
KR20240066697A (en) | An artificial intelligence apparatus and method for updating interlocking devices thereof | |
KR20210059899A (en) | Artificial intelligence device and operating method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination |