KR20210094961A

KR20210094961A - 피접촉면의 재질에 따른 청소로봇 제어방법

Info

Publication number: KR20210094961A
Application number: KR1020200008881A
Authority: KR
Inventors: 김태현; 채종훈
Original assignee: 엘지전자 주식회사
Priority date: 2020-01-22
Filing date: 2020-01-22
Publication date: 2021-07-30
Also published as: WO2021149879A1

Abstract

청소구역 관리방법 및 로봇 청소기가 개시된다. 본 명세서의 일 실시예에 따른 청소구역 관리방법은 실내의 복수의 영역에서 접촉면과 관련된 데이터를 수신하고, 상기 접촉면과 관련된 데이터를 영역별로 저장하고, 상기 접촉면과 관련된 데이터에 기초하여 영역별로 접촉면의 재질정보(material(or texture) information)를 생성하고, 상기 영역별로 생성된 재질정보의 유사도에 기초하여 상기 복수의 영역을 적어도 하나의 그룹으로 분류한다. 본 명세서의 로봇 청소기 및 AI 시스템은 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

피접촉면의 재질에 따른 청소로봇 제어방법{METHOD FOR CONTROLLING CLEANING ROBOT BASED ON MATERIAL OF CONTACT SURFACE}

본 명세서는 피접촉면의 재질에 따른 청소로봇 제어방법에 관한 것이다.

청소로봇은 맵 데이터에 포함된 주행경로를 따라 주행하며 경로상에 위치한 오염물질을 제거할 수 있다. 한편, 청소로봇은 청소의 대상이 되는 피청소면 또는 접촉면의 상태에 따라서 청소방법을 서로 다르게 설정할 필요가 있다.

특히, 주행경로의 효율성 또는 청소의 만족도를 향상시키기 위하여 청소로봇은 청소의 대상이 되는 피청소면 또는 접촉면의 상태에 따라 청수구역을 구분하거나 청소의 우선순위를 설정할 필요가 있다.

본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 명세서는, 청소 구역을 소정의 기준으로 그룹화할 수 하는 청소구역 관리방법 및 로봇 청소기를 구현하는 것을 목적으로 한다.

또한, 본 명세서는, 집안의 구조와 형태 및 장애요소를 인식하고 효과적인 청소경로를 생성하는 청소구역 관리방법 및 로봇 청소기를 구현하는 것을 목적으로 한다.

또한, 본 명세서는, 비슷한 접촉면(또는 청소면)은 동일한 모드로 청소동작을 수행할 수 있는 청소구역 관리방법 및 로봇 청소기를 구현하는 것을 목적으로 한다.

본 명세서의 일 실시예 따른 청소구역 관리방법은 실내의 복수의 영역에서 접촉면과 관련된 데이터를 수신하는 단계; 상기 접촉면과 관련된 데이터를 영역별로 저장하는 단계; 상기 접촉면과 관련된 데이터에 기초하여 영역별로 접촉면의 재질정보(material(or texture) information)를 생성하는 단계; 및 상기 영역별로 생성된 재질정보의 유사도에 기초하여 상기 복수의 영역을 적어도 하나의 그룹으로 분류하는 단계;를 포함한다.

또한, 상기 접촉면과 관련된 데이터는, 상기 접촉면의 무늬(contour), 색상, 구동모터의 전류변화, 또는 소음패턴(noise pattern)을 포함할 수 있다.

또한, 상기 재질정보는, 상기 접촉면의 종류, 밀착도(absorption degree), 또는 저항도(resistance degree)를 포함할 수 있다.

또한, 상기 재질정보를 생성하는 단계는, 상기 접촉면의 무늬 및 색상으로부터 추출된 특징을 제1 모델의 입력(input)으로 설정하고, 상기 제1 모델의 출력에 기반하여 상기 접촉면의 종류 정보(type information)를 생성할 수 있다.

또한, 상기 재질정보를 생성하는 단계는, 상기 소음패턴으로부터 추출된 특징을 제2 모델의 입력으로 설정하고, 상기 제2 모델의 출력에 기반하여 상기 접촉면과 흡입구 사이의 밀착도 정보(absorption information)를 생성할 수 있다.

또한, 상기 재질정보를 생성하는 단계는, 상기 구동모터의 전류변화로부터 추출된 특징을 제3 모델의 입력으로 설정하고, 상기 제3 모델의 출력에 기반하여 상기 접촉면의 저항도 정보(resistnace information)를 생성할 수 있다.

또한, 상기 복수의 영역을 적어도 하나의 그룹으로 분류하는 단계는, K-means 알고리즘 또는 마할라노비스 거리(Mahalanobis distance)를 이용하여 적어도 하나의 그룹으로 분류할 수 있다.

또한, 상기 적어도 하나의 그룹의 재질정보를 비교하여 청소의 우선순위를 결정하는 단계; 및 상기 우선순위에 따라 청소를 수행하기 위한 주행경로를 제공하는 단계;를 더 포함할 수 있다.

또한, 상기 청소의 우선순위를 결정하는 단계는, 상기 그룹의 재질정보 중 저항도에 더 높은 가중치를 부여하여 우선순위를 결정할 수 있다.또한,

또한, 상기 청소의 우선순위를 결정하는 단계는, 상기 그룹의 재질정보 중 접촉면의 종류에 더 높은 가중치를 부여하여 우선순위를 결정할 수 있다.

또한, 상기 청소의 우선순위를 결정하는 단계는, 상기 그룹의 재질정보 중 밀착도에 더 높은 가중치를 부여하여 우선순위를 결정할 수 있다.

또한, 상기 적어도 하나의 그룹의 재질정보에 대한 값은, 상기 적어도 하나의 그룹을 구성하는 상기 복수의 영역에 대한 각각의 재질정보에 대한 값의 평균일 수 있다.

또한, 상기 적어도 하나의 그룹에 대응하는 영역에 도달하면 흡입력 또는 주행모드를 변경하도록 제어하는 단계;를 더 포함할 수 있다.

또한, 상기 흡입력은, 상기 적어도 하나의 그룹의 재질정보 중 저항도에 비례하여 증가할 수 있다.

또한, 상기 흡입력은, 상기 적어도 하나의 그룹의 재질정보 중 밀착도가 기 설정된 제1 임계치 이상에 도달하면 상기 밀착도가 제2 임계치 이하로 감소할 때까지 감소할 수 있다.

또한, 상기 제1, 제2 임계치는 서로 다른 값일 수 있다.

본 명세서의 다른 실시예에 따른 로봇 청소기는 실내의 복수의 영역에서 접촉면과 관련된 데이터를 수신하는 센서; 상기 접촉면과 관련된 데이터를 영역별로 저장하는 메모리; 상기 접촉면과 관련된 데이터에 기초하여 영역별로 접촉면의 재질정보를 생성하는 제어부;를 포함하고, 상기 제어부는 상기 영역별로 생성된 재질정보의 유사도에 기초하여 상기 복수의 영역을 적어도 하나의 그룹으로 분류할 수 있다.

본 명세서의 일 실시예에 따른 피접촉면의 재질에 따른 청소로봇 제어방법의 효과에 대해 설명하면 다음과 같다.

본 명세서는 청소 구역을 소정의 기준으로 그룹화할 수 있다.

또한, 본 명세서는 집안의 구조와 형태 및 장애요소를 인식하고 효과적인 청소경로를 생성할 수 있다.

또한, 본 명세서의 비슷한 접촉면(또는 청소면)은 동일한 모드로 청소동작을 수행할 수 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 전자 기기의 블록도를 나타내는 도면이다.
도 5는 본 명세서의 일 실시예에 따른 AI 서버의 개략적인 블록도를 도시한다.
도 6은 본 명세서의 다른 실시예에 따른 AI 장치의 개략적인 블록도를 도시한다.
도 7은 AI 장치의 일 실시예를 나타내는 개념도이다.
도 8 및 도 9는 본 명세서의 일 실시예에 이용되는 로봇 청소기의 외관을 설명하기 위한 도면이다.
도 10은 본 명세서의 일 실시예에 이용되는 로봇 청소기의 예시적인 블록도이다.
도 11은 다양한 재질의 청소면을 주행하는 로봇 청소기의 주행과정을 예시하기 위한 도면이다.
도 12는 청소면의 영상을 획득하는 로봇 청소기의 주행과정을 예시하기 위한 도면이다.
도 13 및 도 14는 본 명세서의 일 실시예에 따른 청소구역 관리방법의 순서도이다.
도 15 및 도 16은 청소구역 관리방법을 예시적으로 설명하기 위한 도면이다.
도 17은 새로운 청소구역의 발생에 따른 청소구역 관리방법의 순서도이다.
도 18은 도 17을 예시적으로 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.

예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.

도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의(best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

도 4는 전자 기기의 블록도를 나타내는 도면이다.

도 4를 참조하면, 상기 전자 기기(100)는 적어도 하나 이상의 프로세서(110), 메모리(120), 출력 장치(130), 입력 장치(140), 입출력 인터페이스(150), 센서 모듈(160), 통신 모듈(170)을 포함할 수 있다.

프로세서(110)는 하나 이상의 어플리케이션 프로세서(application processor, AP), 하나 이상의 커뮤니케이션 프로세서(communication processor, CP) 또는 적어도 하나 이상의 AI 프로세서(artificial intelligence processor)를 포함할 수 있다. 어플리케이션 프로세서, 커뮤니케이션 프로세서 또는 AI 프로세서는 서로 다른 IC(integrated circuit) 패키지들 내에 각각 포함되거나 하나의 IC 패키지 내에 포함될 수 있다.

어플리케이션 프로세서는 운영체제 또는 응용 프로그램을 구동하여 어플리케이션 프로세서에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어하고, 멀티미디어 데이터를 포함한 각종 데이터 처리/연산을 수행할 수 있다. 일 례로, 상기 어플리케이션 프로세서는 SoC(system on chip)로 구현될 수 있다. 프로세서(110)는 GPU(graphic prcessing unit, 미도시)를 더 포함할 수 있다.

커뮤니케이션 프로세서는 전자 기기(100)와 네트워크로 연결된 다른 전자 기기들 간의 통신에서 데이터 링크를 관리하고 통신 프로토콜을 변환하는 기능을 수행할 수 있다. 일 례로, 커뮤니케이션 프로세서는 SoC로 구현될 수 있다. 커뮤니케이션 프로세서는 멀티미디어 제어 기능의 적어도 일부를 수행할 수 있다.

또한, 커뮤니케이션 프로세서는 통신 모듈(170)의 데이터 송수신을 제어할 수 있다. 커뮤니케이션 프로세서는 어플리케이션 프로세서의 적어도 일부로 포함되도록 구현될 수도 있다.

어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 각각에 연결된 비휘발성 메모리 또는 다른 구성요소 중 적어도 하나로부터 수신한 명령 또는 데이터를 휘발성 메모리에 로드(load)하여 처리할 수 있다. 또한, 어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 다른 구성요소 중 적어도 하나로부터 수신하거나 다른 구성요소 중 적어도 하나에 의해 생성된 데이터를 비휘발성 메모리에 저장할 수 있다.

메모리(120)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리 비휘발성 메모리(예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등) 중 적어도 하나를 포함할 수 있다. 일 실시예에 따르면, 상기 내장 메모리는 SSD(solid state drive)의 형태를 취할 수도 있다. 상기 외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 메모리 스틱(memory stick) 등을 더 포함할 수 있다.

출력 장치(130)는 디스플레이 모듈 또는 스피커 중 적어도 하나 이상을 포함할 수 있다. 출력 장치(130)는 사용자에게 멀티미디어 데이터, 텍스트 데이터, 음성 데이터 등을 포함하는 각종 데이터를 표시하거나 소리로 출력할 수 있다.

입력 장치(140)는 터치 패널(touch panel), 디지털 펜 센서(pen sensor), 키(key), 또는 초음파 입력 장치 등을 포함할 수 있다. 일 례로, 입력 장치(140)는 입출력 인터페이스(150)일 수도 있다. 터치 패널은 정전식, 감압식, 적외선 방식 또는 초음파 방식 중 적어도 하나 이상의 방식으로 터치 입력을 인식할 수 있다. 또한, 터치 패널은 컨트롤러(미도시)를 더 포함할 수도 있다. 정전식의 경우에 직접 터치 뿐만 아니라 근접 인식도 가능하다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함할 수도 있다. 이 경우, 터치 패널은 사용자에게 촉각 반응을 제공할 수 있다.

디지털 펜 센서는 사용자의 터치 입력을 받는 것과 동일 또는 유사한 방법 또는 별도의 인식용 레이어(layer)를 이용하여 구현될 수 있다. 키는 키패드 또는 터치키가 이용될 수 있다. 초음파 입력 장치는 초음파 신호를 발생하는 펜을 통해 단말에서 마이크로 음파를 감지하여 데이터를 확인할 수 있는 장치로서, 무선 인식이 가능하다. 전자 기기(100)는 통신 모듈(170)을 이용하여 이와 연결된 외부 장치(예를 들어, 네트워크, 컴퓨터 또는 서버)로부터 사용자 입력을 수신할 수도 있다.

입력 장치(140)는 카메라 모듈, 마이크로폰을 더 포함할 수 있다. 카메라 모듈은 화상 및 동영상을 촬영할 수 있는 장치로서, 하나 이상의 이미지 센서, ISP(image signal processor) 또는 플래시 LED를 포함할 수 있다. 마이크로폰은 음성 신호를 수신하여 전기 신호로 변환시킬 수 있다.

입출력 인터페이스(150)는 입력장치 또는 출력장치를 통하여 사용자로부터 입려된 명령 또는 데이터를 버스(미도시)를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등에 전달할 수 있다. 일 예로, 입출력 인터페이스(150)는 터치 패널을 ??아여 입력된 사용자의 터치 입력에 대한 데이터를 프로세서(110)로 제공할 수 있다. 일 예로, 입출력 인터페이스(150)는 버스를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등으로부터 수신된 명령 또는 데이터를 출력 장치(130)를 통하여 출력할 수 있다. 일 예로 입출력 인터페이스(150)는 프로세서(110)를 통하여 처리된 음성 데이터를 스피커를 통하여 사용자에게 출력할 수 있다.

센서 모듈(160)은 제스쳐 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, RGB(red, green, blue) 센서, 생체 센서, 온/습도 센서, 조도 센서 또는 UV(ultra violet) 센서 중의 적어도 하나 이상을 포함할 수 있다. 센서 모듈(160)은 물리량을 계측하거나 전자 기기(100)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(160)은, 후각 센서(E-nose sensor), EMG 센서(electromyography sensor), EEG 센서(electroencephalogram sensor, 미도시), ECG 센서(electrocardiogram sensor), PPG 센서 (photoplethysmography sensor), HRM 센서(heart rate monitor sensor), 땀 분비량 측정 센서(perspiration sensor), 또는 지문 센서(fingerprint sensor) 등을 포함할 수 있다. 센서 모듈(160)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어회로를 더 포함할 수 있다.

통신 모듈(170)은 무선 통신 모듈 또는 RF 모듈를 포함할 수 있다. 무선 통신 모듈은, 예를 들면, Wi-Fi, BT, GPS 또는 NFC를 포함할 수 있다. 예를 들면, 무선 통신 모듈은 무선 주파수를 이용하여 무선 통신 기능을 제공할 수 있다. 추가적으로 또는 대체적으로, 무선 통신 모듈은 전자 기기(100)를 네트워크(예: Internet, LAN, WAN, telecommunication network, cellular network, satellite network, POTS 또는 5G network 등)와 연결시키기 위한 네트워크 인터페이스 또는 모뎀 등을 포함할 수 있다.

RF 모듈은 데이터의 송수신, 예를 들면, RF 신호 또는 호출된 전자 신호의 송수신을 담당할 수 있다. 일 례로, RF 모듈는 트랜시버(transceiver), PAM(power amp module), 주파수 필터(frequency filter) 또는 LNA(low noise amplifier) 등을 포함할 수 있다. 또한, RF 모듈은 무선통신에서 자유공간상의 전자파를 송수신하기 위한 부품, 예를 들면, 도체 또는 도선 등을 더 포함할 수 있다.

본 명세서의 다양한 실시예에 따른 전자 기기(100)는 서버, TV, 냉장고, 오븐, 의류 스타일러, 로봇 청소기, 드론, 에어컨, 공기 청정기, PC, 스피커, 홈 CCTV, 조명, 세탁기 및 스마트 플러그 중 적어도 하나를 포함할 수 있다. 도 4에서 설명한 전자 기기(100)의 구성요소는 일반적으로 전자 기기에 구비되는 구성요소를 예시한 것이므로, 본 명세서의 실시예에 따른 전자 기기(100)는 전술한 구성요소에 한정되지 않으며 필요에 따라 생략 및/또는 추가될 수 있다.

전자 기기(100)는 도 5에서 도시한 클라우드 환경으로부터 AI 프로세싱 결과를 수신함으로서 인공 지능 기반의 제어 동작을 수행하거나, AI 프로세스와 관련된 구성요소들이 하나의 모듈로 통합된 AI 모듈을 구비하여 온-디바이스(on-device) 방식으로 AI 프로세싱을 수행할 수 있다.

이하, 도 5 및 도 6를 통해 디바이스 환경(device environment) 및/또는 클라우드 환경(cloud environment) 또는 서버 환경(server environment)에서 수행되는 AI 프로세스를 설명한다. 도 5는 데이터 또는 신호를 입력받는 것은 전자 기기(100)에서 이루어질 수 있으나, 입력된 데이터 또는 신호를 처리하는 AI 프로세싱은 클라우드 환경에서 이루어지는 예를 도시한 것이다. 대조적으로, 도 6는 입력된 데이터 또는 신호에 대한 AI 프로세싱에 관한 전반적인 동작이 전자 기기(100) 내에서 이루어지는 온-디바이스 프로세싱(on-device processing)의 예를 도시한 것이다.

도 5 및 도 6에서 디바이스 환경은 '클라이언트 디바이스' 또는 'AI 장치'로 호칭될 수 있으며, 클라우드 환경은 '서버'로 호칭될 수 있다.

도 5는 본 명세서의 일 실시예에 따른 AI 서버의 개략적인 블록도를 도시한다.

서버(200)는 프로세서(210), 메모리(220), 통신 모듈(270)을 포함할 수 있다.

AI 프로세서(215)는 메모리(220)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(215)는 AI 장치(100)의 동작과 관련된 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 신경망은 인간의 뇌 구조(예를 들어, 인간의 신경망의 뉴런 구조)를 컴퓨터 상에서 모의하도록 설계될 수 있다. 신경망은 입력층(input layer), 출력층(output layer) 및 적어도 하나의 은닉층(hidden layer)를 포함할 수 있다. 각 층은 가중치를 갖는 적어도 하나의 뉴런을 포함하고, 신경망은 뉴런과 뉴런을 연결하는 시냅스(synapse)를 포함할 수 있다. 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호를 가중치(weight) 및/또는 편향(bias)에 대한 활성함수(activation function)의 함수값으로 출력할 수 있다.

복수의 네트워크 모드들은 뉴런이 시냅스를 통해 신호를 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 콘볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 신경망 모델의 예는 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional neural network, CNN), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine), 심층 신뢰 신경망(deep belief network), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥러닝 기법들을 포함하며, 비전인식, 음성인식, 자연어처리, 음성/신호처리 등의 분야에서 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서(210)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(220)는 AI 장치(100) 및/또는 서버(200)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(220)는 AI 프로세서(215)에 의해 액세스되며, AI 프로세서(215)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(220)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥러닝 모델)을 저장할 수 있다. 나아가, 메모리(220)는 학습 모델(221) 뿐만 아니라, 입력 데이터, 학습 데이터, 학습 히스토리 등을 저장할 수도 있다.

한편, AI 프로세서(215)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(215a)를 포함할 수 있다. 데이터 학습부(215a)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(215a)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(215a)는 적어도 하나의 하드웨어 칩 형태로 제작되어 서버(200)에 탑재될 수 있다. 일 예로, 데이터 학습부(215a)는 인공지능을 위한 전용 하드웨어 칩 형태로 제작될 수 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 서버(200)에 탑재될 수 있다. 또한, 데이터 학습부(215a)는 소프트웨어 모듈로 구현될 수도 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우에 적어도 하나의 소프트웨어 모듈은 OS(operating system)에 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(215a)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류/인식할지에 관한 판단기준을 가지도록 학습할 수 있다. 이때, 모델 학습부에 의한 학습 방식은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning)으로 분류될 수 있다. 여기서, 지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 지칭하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해야 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 특정 환경 안에서 정의된 에이전트(agent)가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 방법을 의미할 수 있다. 또한, 모델 학습부는 오류 역전파법(backpropagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다. 신경망 모델이 학습되면 학습된 신경망 모델은 학습 모델(221)이라 호칭할 수 있다. 학습 모델(221)은 메모리(220)에 저장되어 학습 데이터가 아닌 새로운 입력 데이터에 대한 결과를 추론하는 데 사용될 수 있다.

한편, AI 프로세서(215)는 학습 모델(221)을 이용한 분석 결과를 향상시키거나, 학습 모델(221)의 생성에 필요한 리소스 또는 시간을 절약하기 위하여 데이터 전처리부(215b) 및/또는 데이터 선택부(215c)를 더 포함할 수도 있다.

데이터 전처리부(215b)는 획득된 데이터가 상황 판단을 위한 학습/추론에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 일 예로, 데이터 전처리부(215b)는 입력 장치를 통해 획득된 입력 데이터에 대하여 전처리로서 특징 정보(feature information)을 추출할 수 있으며, 특징 정보는 특징 벡터(feature vector), 특징점(feature point) 또는 특징맵(feature map) 등의 포맷으로 추출될 수 있다.

데이터 선택부(215c)는 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부에 제공될 수 있다. 일 예로, 데이터 선택부(215c)는 전자 기기의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다. 또한, 데이터 선택부(215c)는 입력 장치를 통해 획득된 입력 데이터 또는 전처리부에서 전처리된 입력 데이터 중 추론에 필요한 데이터를 선택할 수도 있다.

또한, AI 프로세서(215)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(215d)를 더 포함할 수 있다. 모델 평가부(215d)는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 학습 모델(221)을 평가하기 위한 기 설정된 데이터일 수 있다. 일 예로, 모델 평가부(215d)는 평가 데이터에 대한 학습된 신경망 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우에 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신 모듈(270)은 AI 프로세서(215)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

이상 도 5에서는 AI 프로세스가 컴퓨팅 연산, 저장 및 전원 제약 등으로 인해 클라우드 환경에서 구현되는 예를 설명하였으나, 본 명세서는 이에 한정되는 것은 아니며, AI 프로세서(215)는 클라이언트 디바이스에 포함되어 구현될 수도 있다. 도 6은 AI 프로세싱이 클라이언트 디바이스에서 구현되는 예로서, AI 프로세서(215)가 클라이언트 디바이스에 포함되어 있는 것을 제외하고는 도 5에서 도시된 바와 동일하다.

도 6은 본 명세서의 다른 실시예에 따른 AI 장치의 개략적인 블록도를 도시한다.

도 6에 도시된 각각의 구성의 기능은 도 5를 참조할 수 있다. 다만, AI 프로세서가 클라이언트 디바이스(100)에 포함되어 있으므로, 데이터 분류/인식 등의 과정을 수행함에 있어 서버(도 5의 200)와 통신할 필요가 없을 수 있으며, 이에 따라 즉각적이거나 실시간의 데이터 분류/인식 동작이 가능하다. 또한, 서버(도 5의 200)에 사용자의 개인 정보를 전송할 필요가 없으므로, 개인 정보의 외부 유출 없이 목적으로 한 데이터 분류/인식 동작이 가능하다.

한편, 도 5 및 도 6에 도시된 각 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 적어도 하나의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태(예를 들어, AI 모듈)로 구현될 수 있음에 유의한다. 도 5 및 도 6에 도시된 복수의 구성 요소들 외에 개시되지 않은 구성 요소들이 포함되거나 생략될 수 있음은 물론이다.

도 7은 AI 장치의 일 실시예를 나타내는 개념도이다.

도 7을 참조하면, AI 시스템(1)은 AI 서버(106), 로봇(101), 자율주행 차량(102), XR 장치(103), 스마트폰(104) 또는 가전(105) 중에서 적어도 하나 이상이 클라우드 네트워크(NW)와 연결된다. 여기서, AI 기술이 적용된 로봇(101), 자율주행 차량(102), XR 장치(103), 스마트폰(104) 또는 가전(105) 등을 AI 장치(101 내지 105)라 칭할 수 있다.

클라우드 네트워크(NW)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(NW)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(101 내지 106)은 클라우드 네트워크(NW)를 통해 서로 연결될 수 있다. 특히, 각 장치들(101 내지 106)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(106)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(106)는 AI 시스템을 구성하는 AI 장치들인 로봇(101), 자율주행 차량(102), XR 장치(103), 스마트폰(104) 또는 가전(105) 중에서 적어도 하나 이상과 클라우드 네트워크(NW)을 통하여 연결되고, 연결된 AI 장치들(101 내지 105)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이 때, AI 서버(106)는 AI 장치(101 내지 105)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(101 내지 105)에 전송할 수 있다.

이 때, AI 서버(106)는 AI 장치(101 내지 105)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(101 내지 105)로 전송할 수 있다.

또는, AI 장치(101 내지 105)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

로봇 청소기

도 8 및 도 9는 본 명세서의 일 실시예에 이용되는 로봇 청소기의 외관을 설명하기 위한 도면이고, 도 10은 본 명세서의 일 실시예에 이용되는 로봇 청소기의 예시적인 블록도이다.

도 8는 본 발명의 일 실시 예에 따른 로봇 청소기(300)의 사시도이다.

도 8를 참조하면, 로봇 청소기(300)는 청소기 본체(50)와 카메라(321) 또는 센싱부(340)를 포함할 수 있다.

카메라(321) 또는 센싱부(340)는 전방에 빛을 조사하고, 반사된 빛을 수신할 수 있다. 카메라(321) 또는 센싱부(340)는 수신된 빛이 돌아오는 시간 차이를 이용하여 깊이 정보를 획득할 수 있다. 청소기 본체(50)는 도 10에서 설명된 구성 요소들 중 카메라(321)와 센싱부(340)를 제외한 다른 구성 요소들을 포함할 수 있다.

도 9은 본 발명의 일 실시 예에 따른 로봇 청소기(300)의 저면도이다.

도 9을 참조하면, 로봇 청소기(300)는 도 10의 구성에 더해, 청소기 본체(50), 좌륜(61a), 우륜(61b) 및 흡입부(70)를 더 포함할 수 있다.

좌륜(61a) 및 우륜(61b)은 청소기 본체(50)를 주행시킬 수 있다. 좌륜 구동부(361)는 좌륜(61a)을 구동시킬 수 있고, 우륜 구동부(362)는 우륜(61b)을 구동시킬 수 있다. 좌륜(61a) 및 우륜(61b)이 주행 구동부(360)에 의해 회전됨에 따라, 로봇 청소기(300)는 흡입부(70)를 통해 먼지나 쓰레기 등의 이물질을 흡입할 수 있다. 흡입부(70)는 청소기 본체(50)에 구비되어 바닥 면의 먼지를 흡입할 수 있다. 흡입부(70)는 흡입된 기류 중에서 이물질을 채집하는 필터(미도시)와, 상기 필터에 의해 채집된 이물질들이 축적되는 이물질 수용기(미도시)를 더 포함할 수 있다. 또한, 로봇 청소기(300)는 도 10의 구성에 더해, 걸레질부(미도시)를 더 포함할 수 있다. 걸레질부(미도시)는 걸레(미도시)와, 걸레를 바닥 면에 접촉시킨 상태에서 회전시키거나 설정된 패턴에 따라 움직이는 모터(미도시)를 포함할 수 있다. 로봇 청소기(300)는 걸레질부(미도시)를 통해 바닥 면을 닦을 수 있다.

도 10를 참조하면, 로봇 청소기(300)은 주행 구동부(360)과 청소부(390)를 더 포함할 수 있다. 한편, 도 10의 로봇 청소기는 도 6에서 전술한 AI 장치(100)의 일 예이므로, 적어도 하나의 구성요소를 더 포함할 수 있다.

입력부(320)는 영상 신호 입력을 위한 카메라(Camera, 331), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 322), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 323)를 포함할 수 있다.

입력부(320)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다. 입력부(320)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 로봇 청소기(300)는 하나 또는 복수의 카메라(321)들을 구비할 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(Display Unit, 351)에 표시되거나 메모리(370)에 저장될 수 있다.

마이크로폰(322)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 로봇 청소기(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 적용될 수 있다.

사용자 입력부(323)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(323)를 통해 정보가 입력되면, 프로세서(380)는 입력된 정보에 연관되도록 로봇 청소기(300)의 동작을 제어할 수 있다. 사용자 입력부(323)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(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.

센싱부(340)는 센서부라고 칭할 수 있다. 센싱부(340)는 깊이 센서(미도시) 또는 RGB 센서(미도시) 중 하나 이상을 포함하여, 인공 지능 장치(300)의 주변에 대한 영상 데이터를 획득할 수 있다. 깊이 센서는 발광부(미도시)로부터 조사된 빛이 사물에 반사되어 돌아옴을 감지할 수 있다. 깊이 센서는 돌아온 빛을 감지한 시간 차이, 돌아온 빛의 양 등에 기초하여, 사물과의 거리를 측정할 수 있다. 깊이 센서는 측정된 사물 간의 거리에 기초하여, 인공 지능 장치(300) 주위에 대한 2차원 영상 정보 또는 3차원 영상 정보를 획득할 수 있다. RGB 센서는 인공 지능 장치(300) 주위의 사물 또는 사용자에 대한 컬러 영상 정보를 획득할 수 있다. 컬러 영상 정보는 사물의 촬영 영상일 수 있다. RGB 센서는 RGB 카메라로 명명될 수 있다. 이때, 카메라(321)가 RGB 센서를 의미할 수도 있다.

출력부(350)는 디스플레이부(Display Unit, 351), 음향 출력부(Sound Output Unit, 352), 햅틱 모듈(Haptic Module, 353), 광 출력부(Optical Output Unit, 354) 중 적어도 하나를 포함할 수 있다.

디스플레이부(351)는 로봇 청소기(300)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(351)는 로봇 청소기(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, 로봇 청소기(300)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(323)로써 기능함과 동시에, 단말기(300)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(352)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 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 로봇 청소기(300)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 로봇 청소기(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.

주행 구동부(360)는 인공 지능 장치(300)를 특정 방향으로 또는 특정 거리만큼 이동시킬 수 있다. 주행 구동부(360)는 인공 지능 장치(300)의 좌륜을 구동시키는 좌륜 구동부(361) 및 우륜을 구동시키는 우륜 구동부(362)를 포함할 수 있다. 좌륜 구동부(361)는 좌륜을 구동시키기 위한 모터를 포함할 수 있고, 우륜 구동부(362)는 우륜을 구동시키기 위한 모터를 포함할 수 있다. 도 10에서는 주행 구동부(360)가 좌륜 구동부(361) 및 우륜 구동부(362)를 포함하는 것을 예로 들어 설명하였으나, 본 발명이 이에 한정되지 않는다. 즉, 일 실시 예에서 주행 구동부(360)는 하나의 휠 만으로 구성될 수도 있다.

청소부(390)는 흡입부(391) 또는 걸레질부(392) 중에서 적어도 하나 이상을 포함하여, 인공 지능 장치(300) 인근의 바닥 면을 청소할 수 있다. 흡입부(391)는 진공 청소부라 부를 수도 있다. 흡입부(391)는 공기를 흡입하여 인공 지능 장치(300) 주변의 먼지나 쓰레기 등의 이물질을 흡입할 수 있다. 이때, 흡입부(391)는 이물질을 모아주는 수단으로써 브러쉬 등을 포함할 수 있다. 걸레질부(392)는 걸레를 인공 지능 장치(300)의 바닥 면에 적어도 일부 접촉시킨 상태에서 바닥을 닦을 수 있다. 이때, 걸레질부(392)는 걸레와 걸레를 움직이는 걸레 구동부 등을 포함할 수 있다. 이때, 걸레질부(392)의 걸레는 걸레 구동부를 통해 지면으로부터의 거리가 조절될 수 있다. 즉, 걸레 구동부는 걸레질이 필요한 경우에 걸레가 지면에 접촉되도록 동작할 수 있다. 한편, 본 명세서의 다양한 실시예에 따른 로봇 청소기(300)는 전술한 구성요소를 모두 구비하고 있는 것으로 한정할 것은 아니며, 로봇 청소기(300)의 기능 및/또는 용도에 따라 일부 구성요소를 생략하거나 더 포함할 수 있다.

도 11은 다양한 재질의 청소면을 주행하는 로봇 청소기의 주행과정을 예시하기 위한 도면이고, 도 12는 청소면의 영상을 획득하는 로봇 청소기의 주행과정을 예시하기 위한 도면이다.

도 11을 참조하면, 로봇 청소기(300)는 청소 경로를 따라 주행하는 도중에 현재 주행 중인 청소면과 서로 다른 재질의 청소면을 검출할 수 있다. 다른 재질의 청소면은 마찰력, 로봇 청소기(300)에 흡착되는 정도, 면의 균일도 등에 의하여 분류될 수 있으나, 이에 한정되는 것은 아니다. 일 예로, 로봇 청소기(300)는 평평한 타일인 제1 청소면(SURF1)을 따라 주행 중 러그와 같은 제2 청소면(SURF2)으로 진입할 수 있다. 이때, 로봇 청소기(300)는 제2 청소면(SURF2)을 검출하고, 제2 청소면(SURF2)과 관련된 제어 동작을 수행할 수 있다. 제1 청소면(SURF1)과 관련된 제어 동작과 제2 청소면(SURF2)과 관련된 제어 동작은 서로 다를 수 있다.

일 현상에서 로봇 청소기(300)가 러그를 청소하는 경우에, 주행 구동부(360)와 러그 간의 마찰에 의해 러그가 밀리는 현상이 발생할 수 있다. 러그가 밀리게 되면, 로봇 청소기(300)는 러그를 청소하기 어려울 뿐만 아니라, 러그에 의해 청소 경로가 변경되는 등의 문제가 발생할 수 있다. 이처럼, 로봇 청소기(300)는 주행경로 또는 청소구역에 연관된 성능의 문제가 있으므로, 청소면에 기초하여 서로 다른 주행속도, 흡입세기, 또는 청소순서를 설정할 필요가 있다.

도 12를 참조하면, 로봇 청소기(300)는 청소면(SURF3)의 재질을 검출하기 위한 영상을 얻을 수 있다. 로봇 청소기(300)는 카메라(321)를 통해 주행방향에 위치한 청소면(SURF3)의 영상을 얻을 수 있다. 청소면(SURF3)은 재질의 종류에 따라서 형상, 모양, 색상, 또는 이들의 결합이 다를 수 있다. 일 예로, 나무 재질의 경우에는 나무결 패턴 및 나무 재질에 관한 황색 계통의 색채를 포함할 수 있다.

로봇 청소기(300)는 청소면(SURF3)의 영상으로부터 재질의 종류에 관한 정보를 생성할 수 있다. 일 예로, 로봇 청소기(300)는 청소면(SURF3)의 영상으로부터 형상(예를 들어, 무늬(contour)) 및/또는 색채(color)를 추출할 수 있다. 로봇 청소기(300)는 이처럼 추출된 형상 또는 색체에 관련된 특징 벡터를 입력 데이터로 설정하고, 추론의 목적으로 하는 레이블을 재질의 종류로 설정하여 지도 학습된 신경망 모델을 통해 청소면(SURF3)의 영상으로부터 청소면(SURF3)의 재질에 관한 정보를 생성할 수 있다. 한편, 청소면(SURF3)의 재질에 관한 정보의 생성은 주행 중에 실시간으로 수행되거나 실내의 청소가 종결된 이후로서 충전 상태에서 수행될 수 있다.

본 명세서의 일 실시예에 활용되는 로봇 청소기(300)는 청소면(SURF3)의 영상으로부터 생성된 재질에 관한 정보에 기초하여 주행경로 또는 흡입력 중 적어도 하나를 제어할 수 있다. 예를 들어, 로봇 청소기(300)는 청소면(SURF3)의 재질이 소프트 플로어(soft floor, SF)로 판단되면, 상기 판단 결과에 응답하여 더 강한 흡입력으로 천천히 주행할 수 있다. 다른 예를 들어, 로봇 청소기(300)는 청소면(SURF3)의 재질이 하드 플로어(hard floor, HF)로 판단되면, 상기 판단 결과에 응답하여 비교적으로 약한 흡입력으로 더 빠르게 주행할 수 있다. 다만, 로봇 청소기(300)의 제어방법은 전술한 예시에 한정되는 것은 아니다.

한편, 로봇 청소기(300)는 영상으로부터 추론된 재질에 관한 정보만을 기초로 청소동작을 제어한다면 로봇 청소기(300)의 오작동을 유발할 수 있으므로, 본 명세서의 일 실시예에 따른 로봇 청소기(300)는 추가적인 기초 데이터를 이용하여 로봇 청소기(300)의 동작을 제어할 수 있다. 예를 들어, 최근의 타일은 실제로 나무로 이루어진 타일 외에도 나무의 형상, 모양, 색깔 등을 구비한 다른 재질의 타일도 이용되고 있다. 이때, 청소면의 영상만에 기초하여 제어하는 경우에는 전술한 모방 타일을 구별하지 못하여 목적으로 하는 효과를 도출하지 못할 수 있다. 이하 명세서에서는 다양한 기초 데이터를 이용하여 청소구역을 분할하고, 분할된 청소구역에 따라 서로 다른 동작으로 로봇 청소기(300)를 제어하는 방법을 설명한다.

청소구역 관리방법

도 13 및 도 14는 본 명세서의 일 실시예에 따른 청소구역 관리방법의 순서도이고, 도 15 및 도 16은 청소구역 관리방법을 예시적으로 설명하기 위한 도면이다. 한편, 이하 명세서에서 '접촉면'은 로봇 청소기(300)와 접촉하는 청소면이며, '접촉면'과 '청소면'은 상호혼용될 수 있다.

도 13을 참조하면, 로봇 청소기(300)는 센싱부를 통해 실내의 복수의 영역에서 접촉면과 관련된 데이터를 얻을 수 있다(S110). 접촉면과 관련된 데이터는 접촉면의 무늬(contour), 색상(color), 구동모터의 전류변화, 또는 소음패턴(noise pattern) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.

센싱부는 이미지 센서를 포함하는 카메라(321), 마이크로폰(322), 또는 전류 센서를 포함할 수 있다. 카메라(321)는 로봇 청소기(300)의 주행방향과 나란히 배치되어, 로봇 청소기(300)가 주행 중 주행경로 전면의 접촉면을 미리 촬영할 수 있다(S110a). 마이크로폰(322)는 로봇 청소기(300)가 동작하는 동안 흡입부(391)와 접촉면 사이에서 발생하는 소음을 감지할 수 있다(S110b). 전류 센서는 접촉면의 재질에 연관되어 변화하는 구동모터의 전류변화를 감지할 수 있다(S110c). 한편, 로봇 청소기(300)는 통신연결된 네트워크를 통해 실내의 복수의 영역의 접촉면과 관련된 데이터를 수신할 수도 있다. 이처럼 얻은 데이터(또는 정보)는 로봇 청소기(300)의 메모리에 기록될 수 있다.

로봇 청소기(300)는 접촉면의 재질을 추론하여, 접촉면의 재질에 관한 정보를 생성할 수 있다(S120). 재질에 관한 정보는 접촉면의 재질의 타입(type), 재질의 밀착도(absorption), 또는 저항도(resistance)를 포함할 수 있다. 재질의 타입은 나무, 대리석, 러그 등을 포함할 수 있다. 또한, 재질의 밀착도는 0에서 100 사이의 값을 가질 수 있으며, 흡입부(391)에 오브젝트가 밀착된 상태일수록 100에 가깝고, 흡입부(391)에 오브젝트가 떨어진 상태일수록 0에 가깝다. 밀착도는 마이크로폰(322)을 통해 수신되는 청소 과정에서 발생하는 소음패턴으로부터 결정될 수 있다. 예를 들어, 소정의 오브젝트가 수건 또는 러그와 같이 강합 흡입력이 주어지면 흡입부(391)에 밀착하는 물건인 경우에, 밀착도는 더 높은 값으로 산출될 수 있다. 또한, 저항도는 로봇 청소기(300)의 주행과정에서 주행 구동부(360)와 접촉면 사이의 마찰력으로부터 결정될 수 있다. 저항도는 0 내지 100의 값을 가질 수 있으며, 주행 구동부(360)와 접촉면 사이의 마찰력이 강할수록 100에 가까운 값을 가질 수 있고, 마찰력이 약할수록 0에 가까운 값을 가질 수 있다. 한편, 재질에 관한 정보의 수치범위는 본 명세서의 일부 실시예에 따른 일 구현예에 불과하며, 전술한 수치범위로 권리범위를 한정할 것은 아니다. 한편, 타입, 밀착도 또는 저항도는 이후에 청소구역을 그룹화하기 위한 기반 정보로 이용될 수 있다.

한편, 본 명세서의 다양한 실시에에 따른 청소구역 분류방법은 복수의 노드를 구비한 신경망 모델을 이용하여 수행될 수 있다. 일 예로, 접촉면의 재질의 종류에 관한 정보는 제1 신경망 모델을 이용하여 수행될 수 있다. 제1 신경망 모델은 청소면의 무늬, 색상, 또는 무늬나 색상으로부터 추출된 특징을 입력으로 설정하고, 재질의 종류를 레이블로 설정한 지도학습(supervised learning) 기법으로 훈련된 신경망 모델일 수 있다. 다른 예로, 밀착도에 관한 정보는 제2 신경망 모델을 이용하여 수행될 수 있다. 제2 신경망 모델은 소음패턴 또는 소음패턴으로부터 추출된 특징을 입력으로 설정하고, 밀착도를 레이블로 설정한 지도학습 기법으로 훈련된 신경망 모델일 수 있다. 또 다른 예로, 저항도에 관한 정보는 제3 신경망 모델을 이용하여 수행될 수 있다. 제3 신경망 모델은 구동모터의 전류변화 또는 전류변화로부터 추출된 특징을 입력으로 설정하고, 정항도를 레이블로 설정한 지도학습 기법으로 훈련된 신경망 모델일 수 있다. 참고로, 특징은 각각의 대응하는 정보 또는 데이터로부터 추출한 임베딩(embedding)으로 정의될 수 있다. 임베딩은 벡터 공간에서 나타날 수 있으며, 복수의 벡터 간의 관계(예를 들어, 유사도)에 따라 클러스터링이 수행될 수 있다.

로봇 청소기(300)는 영역별로 생성된 재질에 관한 정보에 기초하여 복수의 영역을 적어도 하나의 그룹으로 분류할 수 있다(S130). 로봇 청소기(300)는 영역별로 생성된 재질에 관한 정보를 분석하여, 재질에 관한 정보 각각의 유사도를 산출하고, 상기 유사도에 기초하여 복수의 영역을 적어도 하나의 그룹으로 분류할 수 있다.

일 예로, 로봇 청소기(300)는 재질의 타입이 기 설정된 제1 임계치 이상의 유사도를 갖는 영역들을 하나의 그룹으로 그룹화할 수 있다. 다른 예로, 로봇 청소기(300)는 밀착도에 기초한 소음패턴의 유사도가 기 설정된 제2 임계치 이상인 영역들을 하나의 그룹으로 그룹화할 수 있다. 또 다른 예를 들어, 로봇 청소기(300)는 구동모터의 전류변화의 유사도가 기 설정된 제3 임계치 이상인 영역들을 하나의 그룹으로 그룹화할 수 있다. 전술한 유사도에 기반한 그룹화(또는 군집화)는 인공지능 기반의 클러스터링 기법으로 수행될 수 있다.

본 명세서의 일 실시예에 따른 청소구역 관리방법은 K-means 알고리즘에 의해 수행될 수 있으나, 이에 한정되는 것은 아니다. 또한, 본 명세서의 일 실시예에 따른 청소구역 관리방법은 유클리드 거리(Euclidean Distance) 또는 마할라노비스 거리(Mahalanobis Distance)를 활용하여 수행될 수 있으나 이에 한정되는 것은 아니다.

또한, 제1 내지 제3 임계치는 각각의 재질에 관한 정보 별로 서로 다르게 설정될 수 있다. 또한, 로봇 청소기(300)는 재질에 관한 정보 중 어느 하나가 미리 설정된 제1 임계치 이상으로 결정되더라도, 나머지 재질에 관한 정보가 미리 설정된 제2, 제3 임계치 미만이라면 각각의 정보에 대응하는 영역을 하나의 그룹으로 분류할 수 없을 수도 있다. 이처럼, 로봇 청소기(300)는 재질에 관한 정보들 중 하나 또는 2 이상을 조합하여 청소구역을 그룹화할 수 있다. 이처럼 본 명세서의 다양한 실시예에 따른 청소구역 분할방법은 재질의 타입, 밀착도, 또는 저항도 중 2 이상을 활용하여 청소구역을 분할함으로써, 도 12에서 전술한 오인식으로 인한 오분류를 예방할 수 있다.

한편, 이때, 적어도 하나의 그룹은 그룹에 관한 특징을 포함할 수 있다. 그룹에 관한 특징은 그룹 특징(Features of Group)으로 정의될 수 있다. 여기서, 그룹 특징은 각각의 그룹의 생성에 이용된 재질의 타입, 밀착도, 또는 저항도를 나타내는 값들의 평균으로 구성될 수 있다.

예를 들어, 로봇 청소기(300)는 실 내의 복수의 영역에 대한 바닥 타입 및 저항도의 값을 수집할 수 있다. 도 15를 참조하면, 실내의 청소면이 제1 바닥 내지 제7 바닥으로 구성되어 있는 경우에 제1 내지 제7 바닥 각각은 서로 다른 바닥 타입 및/또는 저항도를 가질 수 있다. 일 예로, 제1 바닥은 바닥 타입은 1, 저항도는 1.1, 제2 바닥은 바닥 타입은 7, 저항도는 3.4, 제3 바닥은 바닥 타입은 8, 저항도는 4.2, 제4 바닥은 바닥 타입은 2, 저항도는 1.5, 제5 바닥은 바닥 타입은 3, 저항도는 2.7, 그리고 제7 바닥은 바닥 타입은 3, 저항도는 1.9를 가질 수 있다. 각각의 바닥 타입을 나타내는 값은 각각의 재질의 청소면과 대응된다. 이때, 로봇 청소기(300)는 청소면에 관한 임베딩을 대상으로 클러스터링을 수행할 수 있다. 클러스터링된 결과 생성된 적어도 하나의 그룹은 클러스터링의 대상인 임베딩과 동일한 카테고리(예를 들어, 바닥 타입, 저항도, 밀착도 등)의 특징값을 가질 수 있다. 여기서, 특징값은 클러스터링의 대상이 된 임베딩이 갖는 특징값들의 평균값일 수 있다. 일 예로, (바닥 타입, 저항도)를 기준으로, 제1 그룹은 (2.3, 3.9), 제2 그룹은 (7.3, 4.6), 제3 그룹은 (6.7, 2.3)을 가질 수 있다. 한편, 본 명세서의 다양한 실시예에서 로봇 청소기(300)는 바닥 타입의 평균값이 소수점을 갖는 경우 정수값으로 변환할 수 있다. 일 예로, 로봇 청소기(300)는 그룹의 바닥 타입에 관한 값에 대하여 소수점 이하의 숫자를 버림하거나 반올림할 수 있다.

로봇 청소기(300)는 적어도 하나의 그룹의 재질에 관한 정보에 기초하여 청소의 우선순위를 결정할 수 있다(S140). 예를 들어, 로봇 청소기(300)는 저항도가 높을수록 더 높은 우선순위가 설정되도록 제어할 수 있다. 다른 예를 들어, 로봇 청소기(300)는 밀착도가 높을수록 더 낮은 우선순위가 설정되도록 제어할 수 있다. 또 다른 예를 들어, 재질의 종류에 따라 미리 설정된 순서에 따라 우선순위가 설정되도록 제어할 수 있다.

일 실시예에서, 로봇 청소기(300)는 저항도, 밀착도 및/또는 재질의 종류 중 어느 하나에 따라 우선순위를 부여하고, 우선순위를 결정할 수 없는 그룹을 대상으로 저항도, 밀착도 및/또는 재질의 종류 중 다른 하나에 따라 우선순위를 세부적으로 결정할 수 있다. 다른 실시예에서, 로봇 청소기(300)는 저항도, 밀착도 및/또는 재질의 종류를 나타내는 특징값을 입력으로 수신하여, 우선순위를 결정하기 위한 출력을 생성할 수 있다. 로봇 청소기(300)는 출력에 기초하여 각각의 그룹에 대한 우선순위를 결정할 수 있다. 이처럼, 로봇 청소기(300)는 그룹의 저항도가 낮을수록 더 높은 우선순위를 부여함으로써, 러그와 같은 청소면에 먼지가 다시 달라붙는 것을 방지할 수 있다.

한편, 본 명세서의 일부 실시예에 따른 청소구역 관리방법에서 로봇 청소기(300)는 적합한 우선순위를 결정하기 위하여 우선순위를 판단하기 위한 신경망 모델의 적어도 하나의 파라미터를 제어할 수 있다. 일 예로, 로봇 청소기(300)는 신경망 모델에 대하여 그룹의 재질에 관한 정보 중 저항도에 더 높은 가중치를 부여할 수 있다. 다른 예로, 로봇 청소기(300)는 신경망 모델에 대하여 그룹의 재질에 관한 정보 중 접촉면의 종류에 더 높은 가중치를 부여하여 우선순위를 결정할 수 있다. 또 다른 예로, 로봇 청소기(300)는 신경망 모델에 대하여 그룹의 재질에 관한 정보 중 밀착도에 더 높은 가중치를 부여하여 우선순위를 결정할 수 있다.

로봇 청소기(300)는 결정된 우선순위에 따라 청소를 수행하기 위한 주행경로를 제공할 수 있다(S150). 로봇 청소기(300)는 우선순위가 높은 그룹에 상응하는 영역을 우선적으로 주행하고, 우선순이가 낮은 그룹에 상응하는 영역을 이후에 주행한다. 한편, 본 명세서의 다양한 실시에에 따른 로봇 청소기(300)는 청소를 수행하는 동안의 그룹 및 위치변화에 따라 흡입력 또는 주행모드(소프트 플로어 모드, 하드 플로어 모드 등)를 변경할 수도 있다. 상기 흡입력 또는 주행모드에 관한 정보는 우선순위에 따라 결정된 주행경로의 맵 데이터에 태그되어 있을 수 있으나, 이에 한정되는 것은 아니다. 일 예에서, 흡입력은 저항도의 크기에 비례하여 증가할 수 있다. 일 예에서, 흡입력은 밀착도의 크기에 비례하여 증가할 수 있다.

한편, 본 명세서의 일부 실시예에서 로봇 청소기는 흡입력에 따라 제어동작을 다르게 변경할 수 있다. 로봇 청소기는 적어도 하나의 그룹의 재질 정보가 중 밀착도가 기 설정된 제1 임계치 이상에 도달하면 밀착도가 제2 임계치 이하로 감소될 때까지 흡입력을 감소할 수 있다. 이때, 제1 및 제2 임계치는 서로 다른 값일 수 있다.

이처럼, 로봇 청소기는 청소를 수행하는 중 수건과 같이 낮은 무게를 가지되 흡입부에 밀착되어 이상 동작을 유발할 수 있는 물체가 밀착되는 경우에 흡입력을 제어함으로써 이를 분리시킬 수 있다. 수건과 같이 이동 가능한 물체는 러그와 달리 무게에 있어 차이가 있으므로, 밀착도에 기초하여 전술한 두 가지의 경우를 분리할 수 있다. 한편, 수건은 이동 가능하되 밀착도가 높은 물건의 일 예에 해당하고, 러그는 이동 불가능할 정도의 무게가 있되 밀착도가 높은 물건의 일예에 불과하므로, 본 명세서의 다양한 실시예의 권리는 전술한 예시에 한정할 것은 아니다.

도 14는 본 명세서의 일 실시예에 따른 청소구역 관리방법에 관한 순서도이다. 본 명세서의 일부 실시예는 도 14에 도시된 적어도 하나의 단게를 생략할 수도 있다. 한편, 도 14에서 설명하는 적어도 하나의 단게 중 도 13과 중복되는 내용은 생략하도록 한다. S210a, S210b, S210c는 각각 S110a, S110b, S110c에 대응된다. S230, S240, S250은 각각 S130, S140, S150에 대응된다.

도 14를 참조하면, 로봇 청소기(300)는 S210a, S210b, S210c로부터 생성된 적어도 하나의 파라미터에 대한 값을 이용하여 청소면의 재질에 관한 정보를 생성할 수 있다(S220). 구체적으로, 도 13에서는 제1 내지 제3 신경망 모델을 통해 TYPE, ABSORPTION DEGREE, RESISTANCE DEGREE를 추론할 수 있다. 이에 반하여, 도 14에 따른 일 실시예에서는 TYPE, ABSORPTION DEGREE, RESISTANCE DEGREE를 나타내는 임베딩 또는 특징값을 입력으로 하는 제4 신경망 모델을 활용하여 접촉면의 재질을 예측할 수 있다.

또한, 로봇 청소기(300)는 제4 신경망 모델의 출력이 목적으로 하는 접촉면의 재질을 추론하는 데에 적합하도록 제4 신경망 모델을 구성하는 적어도 하나의 노드 간의 가중치를 조절할 수 있다.

우선순위의 결정

도 16은 도 13의 S140에 관한 구체적인 구현예를 설명하기 위한 도면이다.

도 16을 참조하면, 로봇 청소기(300)는 제1 내지 제3 그룹으로 실내의 복수의 영역을 분할할 수 있다. 도 16의 일 구현예에서 실내의 복수의 영역은 재질의 타입 및 저항도를 기준으로 분할된다.

한편, 본 명세서의 다양한 실시예에 따른 청소구역 분할방법은 복수의 그룹에 대하여 우선순위를 부여할 수 있다. 이처럼 우선순위를 부여하는 것은 청소율 효율성을 향상시키기 위함이다. 러그 등을 포함하는 소프트 플로어의 경우에는 우선적으로 청소하면, 이후에 다른 구역에서 발생하는 먼지가 쉽게 부착될 수 있다. 이에 반하여 마루바닥과 등을 포함하는 하드 플로어의 경우에는 다른 구역에서 발생하는 먼지가 쉽게 부착되지 않는다. 따라서, 본 명세서의 일부 실시예에는 소프트 플로어에 대하여 우선적으로 청소가 수행되도록 로봇 청소기(300)를 제어할 수 있다.

다시 도 16을 살펴보면, 로봇 청소기(300)가 청소 동작을 수행하며 수집한 데이터에 기초하면, 실내의 적어도 하나의 영역은 주방 러그, 거실 카펫, 아이 놀이방, 및 일반 타일면을 포함한다. 이때, 주방 러그, 거실 카펫, 아이 놀이방 및 일반 타일면은 서로 다른 바닥의 타입 및 저항도를 가질 수 있다. 그 결과, 로봇 청소기(300)는 아이 놀이방을 제1 그룹, 주방 러그 및 거실 카펫을 제2 그룹, 그리고 일반 타일면을 제3 그룹으로 분류할 수 있다.

또한, 로봇 청소기(300)는 제1 내지 제3 그룹을 구성하는 복수의 단위 영역으로 추출된 바닥 타입 및 저항도에 관한 값을 추출하고, 추출된 바닥 타입 및 저항도에 관한 값의 평균값을 산출하여 이를 제1 내지 제3 그룹 각각에 대한 특징값으로 부여할 수 있다. 로봇 청소기(300)는 제1 내지 제3 그룹 각각에 대한 특징값에 기초하여 우선순위를 결정할 수 있다. 이때, 러그와 같이 후순위에 청소를 하는 물질은 마찰력 및/또는 저항력이 강한 것이 일반적이다. 따라서, 로봇 청소기(300)는 저항도를 분석하여, 저항도가 제일 낮은 제3 그룹을 제1 순위로 설정하고, 제1 그룹을 제2 순위, 그리고 제3 그룹을 제3 순위로 설정할 수 있다. 로봇 청소기(300)는 설정된 제1 내지 제3 순위의 순서에 따라서 청소동작을 수행할 수 있다. 한편, 로봇 청소기(300)는 결정된 청소 순서뿐만 아니라 그룹 별로 결정된 청소면 재질의 종류, 저항도, 및/또는 밀착도 별로 서로 다르게 제어되도록 제어할 필요도 있다.

청소 동작 중 흡입력 및/또는 주행속도 제어

본 명세서의 다양한 실시예에 따른 로봇 청소기(300)는 기 분류된 그룹에 관한 다양한 특징값에 기초하여 로봇 청소기(300)의 흡입력 또는 주행속도를 제어할 수 있다. 기 분류된 그룹에 관한 특징값은 바닥 타입에 관한 특징값, 저항도에 관한 특징값, 또는 밀착도에 관한 특징값을 포함할 수 있다. 로봇 청소기(300)는 저항도 또는 밀착도에 비례하여 모터 및/또는 흡입부(391)에 의한 흡입력을 증가하도록 제어할 수 있다. 또한, 로봇 청소기(300)는 저항도 또는 밀착도에 비례하여 주행속도가 감소하도록 제어할 수 있다. 또한, 로봇 청소기(300)는 청소면의 재질의 타입에 기초하여 흡입력 및/또는 주행속도를 제어할 수도 있다. 예를 들어, 재질의 종류가 타일 사이에 이물질이 배치되기 쉬운 나무타일의 경우에는 더 강한 흡입력으로 청소동작을 수행하도록 제어할 수 있다. 다른 예를 들어, 미끄러지기 쉬운 대리속 타일의 경우에는 미끄럼을 방지하기 위하여 주행속도를 느리게 제어할 수도 있다. 한편, 본 명세서의 다양한 흡입력 또는 주행속도의 제어방법은 전술한 예시에 한정되는 것은 아니다.

새로운 청소구역의 발생에 응답한 청소구역 관리방법

도 17은 새로운 청소구역의 발생에 따른 청소구역 관리방법의 순서도이다. 한편, 도 17의 일부 실시예에서 도 13 및 도 14와 중복되는 내용은 생략한다.

도 17을 참조하면, 로봇 청소기(300)는 새로운 청소구역의 발생을 감지할 수 있다(S310). 로봇 청소기(300)는 미리 설정된 제어정보(흡입력, 주행속도, 주행경로 등)에 기초하여 청소를 수행 중에도 청소구역의 그룹화에 관련된 소스 데이터를 얻을 수 있다. 이처럼 얻은 소스 데이터에 기초하여 종전의 이력과 다른 새로운 소스 데이터가 수집되면, 로봇 청소기(300)는 새로운 소스 데이터에 따른 청소면의 재질분석을 수행할 수 있다. 일 례로, 도 18을 살펴보면 실내 구조의 변화에 따라 현관에 러그가 배치될 수 있다. 로봇 청소기(300)는 현관 러그를 주행하는 동안 종전까지 제3 그룹과 연관된 제어정보에 따라 주행하며 얻는 영상 정보, 저항도, 소음패턴 등이 과거의 소스 데이터와 다름을 확인할 수 있다. 현재의 소스 데이터와 과거의 소스 데이터 사이의 차이가 기 설정된 임계치 이상의 차이가 있는 경우에 로봇 청소기(300)는 재그룹화를 수행할 수 있다.

보다 구체적으로, 로봇 청소기(300)는 새로운 청소구역이 발생하지 않으면, 기 설정된 우선순위에 따라 청소를 수행할 수 있다(S310:No, S320). 로봇 청소기(300)는 새로운 청소구역이 발생하면, 상기 발생에 응답하여 상기 새로운 청소구역의 소스 데이터를 얻을 수 있다(S310:Yes, S331). 로봇 청소기(300)는 접촉면의 재질에 관한 정보를 생성할 수 있다(S332). 로봇 청소기(300)는 재질에 관한 정보에 기초하여 적어도 하나의 청소구역을 적어도 하나의 그룹으로 그룹화할 수 있다(S333). 로봇 청소기(300)는 적어도 하나의 그룹에 대하여 우선순위를 부여할 수 있다(S334). 또한, 로봇청소기는 청소를 수행하는 동안 그룹 및 위치변화에 따라 흡입력 또는 주행모드를 변경하도록 구동모터와 흡입부(391)를 제어할 수 있다.

5G 네트워크와 연계된 AI 동작의 시퀀스

본 명세서의 일부 실시예는 5G 네트워크와 연계하여 수행될 수 있다.

구체적으로, 로봇 청소기(300)의 프로세서(380)는 접촉면의 이미지 정보, 청소과정에서 발생하는 오디오 정보, 또는 구동모터의 전류변화 정보를 포함하는 소스 데이터를 5G 네트워크에 포함된 AI 시스템(1)으로 전송하도록 통신 모듈을 제어할 수 있다. 또한, 로봇 청소기(300)는 AI 시스템(1)으로부터 AI 프로세싱된 정보를 수신하도록 통신 모듈을 제어할 수 있다.

한편, 로봇 청소기(300)는 5G 네트워크로 소스 데이터를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 로봇 청소기(300)는 SSB(synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.

또한, 로봇 청소기(300)는 통신 모듈을 통해 소스 데이터의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다. 로봇 청소기(300)는 상기 DCI에 기초하여 소스 데이터 또는 소스 데이터로부터 추출된 특징값을 5G 네트워클 전송할 수 있다. 소스 데이터 또는 소스 데이터로부처 추출된 특징값은 PUSCH를 통해 5G 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.

전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.

Claims

실내의 복수의 영역에서 접촉면과 관련된 데이터를 수신하는 단계;
상기 접촉면과 관련된 데이터를 영역별로 저장하는 단계;
상기 접촉면과 관련된 데이터에 기초하여 영역별로 접촉면의 재질정보(material(or texture) information)를 생성하는 단계; 및
상기 영역별로 생성된 재질정보의 유사도에 기초하여 상기 복수의 영역을 적어도 하나의 그룹으로 분류하는 단계;
를 포함하는 청소구역 관리방법.
제1 항에 있어서,
상기 접촉면과 관련된 데이터는,
상기 접촉면의 무늬(contour), 색상, 구동모터의 전류변화, 또는 소음패턴(noise pattern)을 포함하는 것을 특징으로 하는 청소구역 관리방법.
제1 항에 있어서,
상기 재질정보는,
상기 접촉면의 종류, 밀착도(absorption degree), 또는 저항도(resistance degree)를 포함하는 것을 특징으로 하는 청소구역 관리방법.
제2 항에 있어서,
상기 재질정보를 생성하는 단계는,
상기 접촉면의 무늬 및 색상으로부터 추출된 특징을 제1 모델의 입력(input)으로 설정하고, 상기 제1 모델의 출력에 기반하여 상기 접촉면의 종류 정보(type information)를 생성하는 것을 특징으로 하는 청소구역 관리방법.
제2 항에 있어서,
상기 재질정보를 생성하는 단계는,
상기 소음패턴으로부터 추출된 특징을 제2 모델의 입력으로 설정하고, 상기 제2 모델의 출력에 기반하여 상기 접촉면과 흡입구 사이의 밀착도 정보(absorption information)를 생성하는 것을 특징으로 하는 청소구역 관리방법.
제2 항에 있어서,
상기 재질정보를 생성하는 단계는,
상기 구동모터의 전류변화로부터 추출된 특징을 제3 모델의 입력으로 설정하고, 상기 제3 모델의 출력에 기반하여 상기 접촉면의 저항도 정보(resistnace information)를 생성하는 것을 특징으로 하는 청소구역 관리방법.
제3 항에 있어서,
상기 복수의 영역을 적어도 하나의 그룹으로 분류하는 단계는,
K-means 알고리즘 또는 마할라노비스 거리(Mahalanobis distance)를 이용하여 적어도 하나의 그룹으로 분류하는 것을 특징으로 하는 청소구역 관리방법.
제1 항에 있어서,
상기 적어도 하나의 그룹의 재질정보를 비교하여 청소의 우선순위를 결정하는 단계; 및
상기 우선순위에 따라 청소를 수행하기 위한 주행경로를 제공하는 단계;
를 더 포함하는 것을 특징으로 하는 청소구역 관리방법.
제8 항에 있어서,
상기 청소의 우선순위를 결정하는 단계는,
상기 그룹의 재질정보 중 저항도에 더 높은 가중치를 부여하여 우선순위를 결정하는 것을 특징으로 하는 청소구역 관리방법.
제8 항에 있어서,
상기 청소의 우선순위를 결정하는 단계는,
상기 그룹의 재질정보 중 접촉면의 종류에 더 높은 가중치를 부여하여 우선순위를 결정하는 것을 특징으로 하는 청소구역 관리방법.
제8 항에 있어서,
상기 청소의 우선순위를 결정하는 단계는,
상기 그룹의 재질정보 중 밀착도에 더 높은 가중치를 부여하여 우선순위를 결정하는 것을 특징으로 하는 청소구역 관리방법.
제8 항에 있어서,
상기 적어도 하나의 그룹의 재질정보에 대한 값은,
상기 적어도 하나의 그룹을 구성하는 상기 복수의 영역에 대한 각각의 재질정보에 대한 값의 평균인 것을 특징으로 하는 청소구역 관리방법.
제8 항에 있어서,
상기 적어도 하나의 그룹에 대응하는 영역에 도달하면 흡입력 또는 주행모드를 변경하도록 제어하는 단계;
를 더 포함하는 것을 특징으로 하는 청소구역 관리방법.
제13 항에 있어서,
상기 흡입력은,
상기 적어도 하나의 그룹의 재질정보 중 저항도에 비례하여 증가하는 것을 특징으로 하는 청소구역 관리방법.
제13 항에 있어서,
상기 흡입력은,
상기 적어도 하나의 그룹의 재질정보 중 밀착도가 기 설정된 제1 임계치 이상에 도달하면 상기 밀착도가 제2 임계치 이하로 감소할 때까지 감소하는 것을 특징으로 하는 청소구역 관리방법.
제15 항에 있어서,
상기 제1, 제2 임계치는 서로 다른 값인 것을 특징으로 하는 청소구역 관리방법.
실내의 복수의 영역에서 접촉면과 관련된 데이터를 수신하는 센서;
상기 접촉면과 관련된 데이터를 영역별로 저장하는 메모리;
상기 접촉면과 관련된 데이터에 기초하여 영역별로 접촉면의 재질정보를 생성하는 제어부;
를 포함하고,
상기 제어부는 상기 영역별로 생성된 재질정보의 유사도에 기초하여 상기 복수의 영역을 적어도 하나의 그룹으로 분류하는 것을 특징으로 하는 로봇 청소기.
제17 항에 있어서,
상기 재질정보는,
접촉면의 종류, 밀착도(absorption degree), 또는 저항도(resistance degree)를 포함하는 것을 특징으로 하는 청소구역 관리방법.
제17 항에 있어서,
상기 제어부는 상기 적어도 하나의 그룹의 재질정보를 비교하여 결정된 청소의 우선순위에 따라 청소를 수행하기 위한 주행경로를 제공하는 것을 특징으로 하는 로봇 청소기.
제1 항 내지 제16 항 중 어느 한 항의 방법을 컴퓨터 시스템에서 실행하기 위한 프로그램이 기록된 컴퓨터 시스템이 판독 가능한 기록매체.