WO2020196962A1 - 인공 지능 청소기 및 그의 동작 방법 - Google Patents

인공 지능 청소기 및 그의 동작 방법 Download PDF

Info

Publication number
WO2020196962A1
WO2020196962A1 PCT/KR2019/003636 KR2019003636W WO2020196962A1 WO 2020196962 A1 WO2020196962 A1 WO 2020196962A1 KR 2019003636 W KR2019003636 W KR 2019003636W WO 2020196962 A1 WO2020196962 A1 WO 2020196962A1
Authority
WO
WIPO (PCT)
Prior art keywords
cleaning
artificial intelligence
area
cleaner
areas
Prior art date
Application number
PCT/KR2019/003636
Other languages
English (en)
French (fr)
Inventor
김수연
이가민
채승아
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to PCT/KR2019/003636 priority Critical patent/WO2020196962A1/ko
Priority to EP19921990.8A priority patent/EP3949817B1/en
Priority to US16/491,118 priority patent/US11399685B2/en
Priority to AU2019437767A priority patent/AU2019437767B2/en
Priority to KR1020190089911A priority patent/KR20190094318A/ko
Publication of WO2020196962A1 publication Critical patent/WO2020196962A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A47L9/2852—Elements for displacement of the vacuum cleaner or the accessories therefor, e.g. wheels, casters or nozzles
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4061—Steering means; Means for avoiding obstacles; Details related to the place where the driver is accommodated
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2894—Details related to signal transmission in suction cleaners
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • B25J11/0085—Cleaning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0003—Home robots, i.e. small robots for domestic use
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/579—Depth or shape recovery from multiple images from motion
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/04—Automatic control of the travelling movement; Automatic obstacle detection

Definitions

  • the present invention relates to an artificial intelligence cleaner and a method of operating the same. More specifically, the present invention relates to an artificial intelligence cleaner that classifies a zone that reduces cleaning efficiency using cleaning data, and resets a cleaning path or a cleaning mode within the cleaning path using zone classification information.
  • a robot cleaner is a device that automatically cleans by inhaling foreign substances such as dust from a floor surface while traveling by itself in an area to be cleaned without a user's manipulation. Such a robot cleaner sets a cleaning path according to a built-in program, and performs a cleaning operation while driving along the set cleaning path.
  • a robot cleaner does not consider the entire cleaning area, but only considers the environment of a certain radius (for example, a radius of 25) based on the cleaner, and performs cleaning while avoiding obstacles. Therefore, the robot cleaner often gets lost in a previously wandered area such as an area that takes a long time to clean or an area that repeatedly hits an obstacle. For example, in an area with many obstacles, cleaning may take a lot of time or may be restricted due to movement restrictions. In addition, certain areas are cleaned more than other areas.
  • An object of the present invention is to provide an artificial intelligence vacuum cleaner that separates and cleans a space that is difficult to clean and a space that can be easily cleaned from the cleaning record of the artificial intelligence cleaner, and an operating method thereof.
  • the present invention is to provide an artificial intelligent vacuum cleaner and an operation method thereof that set a cleaning mode and a cleaning sequence of each cleaning area in consideration of the characteristics of the area, and clean according to a cleaning movement line in consideration of the set cleaning mode and cleaning sequence.
  • the artificial intelligence cleaner divides a cleaning space into a plurality of cleaning areas using a plurality of cleaning records, sets a cleaning movement line in consideration of each cleaning area, and performs cleaning according to the set cleaning movement line. can do.
  • each cleaning area is divided into area types, and a cleaning movement line may be set in consideration of a cleaning mode for each area type and a cleaning priority between area types.
  • cleaning may be performed more suitably to the shape or characteristic of the space.
  • a cleaning mode set for each area type and a cleaning priority between area types are set, it is possible to provide a cleaning mode suitable for the characteristics of each space, and cleaning from a high priority area. You can increase the satisfaction of cleaning and lower the probability of cleaning failure.
  • FIG. 1 is a block diagram showing the configuration of an artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • FIG. 2 is a perspective view of an artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • FIG 3 is a bottom view of the artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • FIG. 4 is a block diagram showing the configuration of an artificial neural network learning apparatus 200 according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a method of operating an artificial intelligence cleaner according to an embodiment of the present invention.
  • FIG. 6 is a diagram showing an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 7 is a diagram showing an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 8 is a diagram showing an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 9 is a diagram illustrating an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 10 is a flowchart illustrating an example of a step S503 of dividing the cleaning space shown in FIG. 5 into a plurality of cleaning areas.
  • FIG. 11 is a diagram illustrating an example of a rule-based cleaning area classification model according to an embodiment of the present invention.
  • FIG. 12 is a table showing an example of a deep learning-based cleaning area classification model according to an embodiment of the present invention.
  • FIG. 13 to 15 are views illustrating examples of cleaning spaces in which cleaning areas are separated from each other according to an embodiment of the present invention.
  • 16 is an operation flowchart showing an example of a step S505 of determining a cleaning movement line shown in FIG. 5.
  • 17 and 18 are diagrams illustrating an example of setting a cleaning mode through a user input in an embodiment of the present invention.
  • 19 is a diagram illustrating an example of setting cleaning priority through user input in an embodiment of the present invention.
  • 20 and 21 are diagrams showing examples of cleaning movement lines of the artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • AI Artificial intelligence
  • artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science.
  • attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
  • Machine learning is a branch of artificial intelligence, a field of research that gives computers the ability to learn without explicit programming.
  • machine learning can be said to be a technology that studies and builds a system that learns based on empirical data, performs prediction, and improves its own performance, and algorithms for it.
  • Machine learning algorithms do not execute strictly defined static program instructions, but rather build specific models to derive predictions or decisions based on input data.
  • machine learning' can be used interchangeably with the term'machine learning'.
  • the decision tree is an analysis method that charts decision rules into a tree structure and performs classification and prediction.
  • Bayesian network is a model that expresses the probabilistic relationship (conditional independence) between multiple variables in a graph structure. Bayesian networks are suitable for data mining through unsupervised learning.
  • the support vector machine is a model of supervised learning for pattern recognition and data analysis, and is mainly used for classification and regression analysis.
  • An artificial neural network is an information processing system in which a number of neurons, called nodes or processing elements, are connected in a layer structure by modeling the operation principle of biological neurons and the connection relationship between neurons.
  • Artificial neural networks are models used in machine learning, and are statistical learning algorithms inspired by biological neural networks (especially the brain among animals' central nervous systems) in machine learning and cognitive science.
  • the artificial neural network may refer to an overall model having problem-solving ability by changing the strength of synaptic bonding through learning by artificial neurons (nodes) that form a network by combining synapses.
  • artificial neural network may be used interchangeably with the term neural network.
  • the artificial neural network may include a plurality of layers, and each of the layers may include a plurality of neurons.
  • artificial neural networks may include synapses that connect neurons and neurons.
  • Artificial neural networks generally have three factors: (1) the connection pattern between neurons in different layers (2) the learning process to update the weight of the connection (3) the output value from the weighted sum of the input received from the previous layer. It can be defined by the activation function it creates.
  • the artificial neural network may include network models such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), BRDNN (Bidirectional Recurrent Deep Neural Network), MLP (Multilayer Perceptron), CNN (Convolutional Neural Network). , Is not limited thereto.
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • BRDNN Bidirectional Recurrent Deep Neural Network
  • MLP Multilayer Perceptron
  • CNN Convolutional Neural Network
  • the term'layer' may be used interchangeably with the term'layer'.
  • a general single-layer neural network is composed of an input layer and an output layer.
  • a general multilayer neural network is composed of an input layer, one or more hidden layers, and an output layer.
  • the input layer is a layer that receives external data
  • the number of neurons in the input layer is the same as the number of input variables
  • the hidden layer is located between the input layer and the output layer, receives signals from the input layer, extracts characteristics, and transfers them to the output layer. do.
  • the output layer receives a signal from the hidden layer and outputs an output value based on the received signal.
  • the input signal between neurons is multiplied by each connection strength (weight) and then summed. If the sum is greater than the neuron's threshold, the neuron is activated and the output value obtained through the activation function is output.
  • a deep neural network including a plurality of hidden layers between an input layer and an output layer may be a representative artificial neural network implementing deep learning, a type of machine learning technology.
  • the term'deep learning' can be used interchangeably with the term'deep learning'.
  • the artificial neural network can be trained using training data.
  • learning means a process of determining parameters of an artificial neural network using training data in order to achieve the purpose of classifying, regressing, or clustering input data.
  • parameters of an artificial neural network include weights applied to synapses or biases applied to neurons.
  • the artificial neural network learned by the training data may classify or cluster input data according to patterns of the input data.
  • an artificial neural network trained using training data may be referred to as a trained model in this specification.
  • the following describes the learning method of artificial neural networks.
  • Learning methods of artificial neural networks can be classified into supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • Supervised learning is a method of machine learning to infer a function from training data.
  • outputting a continuous value is called regression, and predicting and outputting the class of an input vector can be called classification.
  • an artificial neural network is trained with a label for training data.
  • the label may mean a correct answer (or result value) that the artificial neural network must infer when training data is input to the artificial neural network.
  • the correct answer (or result value) to be inferred by the artificial neural network is referred to as a label or labeling data.
  • labeling setting a label on training data for learning an artificial neural network is referred to as labeling the training data with labeling data.
  • the training data and the label corresponding to the training data constitute one training set, and may be input to the artificial neural network in the form of a training set.
  • the training data represents a plurality of features
  • labeling of the training data may mean that a label is attached to the feature represented by the training data.
  • the training data may represent the characteristics of the input object in the form of a vector.
  • the artificial neural network can infer a function for the correlation between the training data and the labeling data using the training data and the labeling data.
  • parameters of the artificial neural network may be determined (optimized) through evaluation of a function inferred from the artificial neural network.
  • Unsupervised learning is a type of machine learning, where no labels are given for training data.
  • the unsupervised learning may be a learning method of training an artificial neural network to find and classify patterns in the training data itself, rather than an association relationship between training data and a label corresponding to the training data.
  • unsupervised learning examples include clustering or independent component analysis.
  • Examples of artificial neural networks using unsupervised learning include Generative Adversarial Network (GAN) and Autoencoder (AE).
  • GAN Generative Adversarial Network
  • AE Autoencoder
  • a generative adversarial neural network is a machine learning method in which two different artificial intelligences compete and improve performance, a generator and a discriminator.
  • the generator is a model that creates new data and can create new data based on the original data.
  • the discriminator is a model that recognizes a pattern of data, and may play a role of discriminating whether input data is original data or fake data generated by a generator.
  • the generator learns by receiving data that cannot be deceived by the discriminator, and the discriminator can learn by receiving deceived data from the generator. Accordingly, the generator can evolve to deceive the discriminator as well as possible, and the discriminator can evolve to distinguish between the original data and the data generated by the generator.
  • Auto encoders are neural networks that aim to reproduce the input itself as an output.
  • the auto encoder includes an input layer, at least one hidden layer and an output layer.
  • data output from the hidden layer goes to the output layer.
  • the dimension of the data increases, and accordingly, decompression or decoding is performed.
  • the auto-encoder controls the connection strength of neurons through learning, so that the input data is expressed as hidden layer data.
  • the hidden layer information is expressed with fewer neurons than in the input layer, but being able to reproduce the input data as an output may mean that the hidden layer found and expressed a hidden pattern from the input data.
  • Semi-supervised learning is a kind of machine learning, and may mean a learning method using both labeled training data and unlabeled training data.
  • Reinforcement learning is the theory that, given an environment in which an agent can judge what action to do at every moment, it can find the best way to experience without data.
  • Reinforcement learning can be mainly performed by the Markov Decision Process (MDP).
  • MDP Markov Decision Process
  • the structure of the artificial neural network is specified by the configuration of the model, activation function, loss function or cost function, learning algorithm, optimization algorithm, etc., and hyperparameters are pre-trained. It is set, and then, a model parameter is set through learning, so that the content can be specified.
  • factors determining the structure of an artificial neural network may include the number of hidden layers, the number of hidden nodes included in each hidden layer, an input feature vector, a target feature vector, and the like.
  • Hyperparameters include several parameters that must be initially set for learning, such as initial values of model parameters. And, the model parameter includes several parameters to be determined through learning.
  • the hyperparameter may include an initial weight value between nodes, an initial bias value between nodes, a mini-batch size, a number of learning iterations, and a learning rate.
  • the model parameters may include weights between nodes and biases between nodes.
  • the loss function can be used as an index (reference) for determining an optimal model parameter in the learning process of the artificial neural network.
  • learning refers to the process of manipulating model parameters to reduce the loss function, and the purpose of learning can be seen as determining model parameters that minimize the loss function.
  • the loss function may mainly use a mean squared error (MSE) or a cross entropy error (CEE), but the present invention is not limited thereto.
  • MSE mean squared error
  • CEE cross entropy error
  • the cross entropy error may be used when the correct answer label is one-hot encoded.
  • One-hot encoding is an encoding method in which the correct answer label value is set to 1 only for neurons corresponding to the correct answer, and the correct answer label value is set to 0 for non-correct answer neurons.
  • learning optimization algorithms can be used to minimize loss functions, and learning optimization algorithms include Gradient Descent (GD), Stochastic Gradient Descent (SGD), and Momentum. ), NAG (Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam, etc.
  • Gradient descent is a technique for adjusting model parameters in the direction of reducing the loss function value by considering the slope of the loss function in the current state.
  • the direction to adjust the model parameter is called the step direction, and the size to be adjusted is called the step size.
  • the step size may mean a learning rate.
  • a gradient is obtained by partial differentiation of a loss function into each model parameter, and model parameters are updated by changing the acquired gradient direction by a learning rate.
  • the stochastic gradient descent method is a technique that increases the frequency of gradient descent by dividing training data into mini-batch and performing gradient descent for each mini-batch.
  • Adagrad, AdaDelta, and RMSProp are techniques that increase optimization accuracy by adjusting the step size in SGD.
  • momentum and NAG are techniques to increase optimization accuracy by adjusting the step direction.
  • Adam is a technique that improves optimization accuracy by adjusting the step size and step direction by combining momentum and RMSProp.
  • Nadam is a technique that improves optimization accuracy by adjusting step size and step direction by combining NAG and RMSProp.
  • the learning speed and accuracy of an artificial neural network are highly dependent on hyperparameters as well as the structure of the artificial neural network and the type of learning optimization algorithm. Therefore, in order to obtain a good learning model, it is important not only to determine an appropriate artificial neural network structure and learning algorithm, but also to set appropriate hyperparameters.
  • hyperparameters are experimentally set to various values to train an artificial neural network, and as a result of learning, the hyperparameter is set to an optimal value that provides stable learning speed and accuracy.
  • FIG. 1 is a block diagram showing the configuration of an artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • the artificial intelligence cleaner 100 includes an image sensor 110, a microphone 120, an obstacle detection unit 130, a wireless communication unit 140, a memory 150, and a driving device.
  • a driver 170 and a processor 190 may be included.
  • the artificial intelligence cleaner 100 may be referred to as the terminal 100.
  • the image sensor 110 may acquire image data about the surroundings of the artificial intelligence cleaner 100.
  • the image sensor 110 may include one or more of the depth sensor 111 and the RGB sensor 113.
  • the depth sensor 111 may detect that light irradiated from the light emitting unit (not shown) is reflected on an object and returned.
  • the depth sensor 111 may measure a distance to an object based on a time difference when the returned light is sensed, an amount of the returned light, and the like.
  • the depth sensor 111 may acquire 2D image information or 3D image information around the cleaner 100 based on the measured distance between objects.
  • the RGB sensor 113 may acquire color image information about objects around the cleaner 100.
  • the color image information may be a photographed image of an object.
  • the RGB sensor 113 may be referred to as an RGB camera.
  • the microphone 120 may receive a user's voice.
  • the received user's voice may be analyzed for intention information through a voice server (not shown).
  • the user's voice may be a voice for controlling the artificial intelligence cleaner 100.
  • the obstacle detection unit 130 may include an ultrasonic sensor, an infrared sensor, a laser sensor, and the like.
  • the obstacle detection unit 130 may irradiate laser light to the cleaning area and extract a pattern of the reflected laser light.
  • the obstacle detection unit 130 may detect the obstacle based on the position and pattern of the extracted laser light.
  • the configuration of the obstacle detection unit 130 may be omitted.
  • the wireless communication unit 140 may include at least one of a wireless Internet module and a short-range communication module.
  • the mobile communication module includes technical standards or communication methods for mobile communication (for example, GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), CDMA2000 (Code Division Multi Access 2000)), EV-DO (Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA (Wideband CDMA), HSDPA (High Speed Downlink Packet Access), HSUPA (High Speed Uplink Packet Access), LTE (Long Term Evolution), LTE-A (Long Term) Evolution-Advanced), etc.), transmits and receives a radio signal with at least one of a base station, an external terminal, and a server.
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • CDMA2000 Code Division Multi Access 2000
  • EV-DO Enhanced Voice-Data Optimized or Enhanced Voice-Data Only
  • WCDMA Wideband CDMA
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • LTE Long Term Evolution
  • LTE-A
  • the wireless Internet module refers to a module for wireless Internet access, and may be built-in or external to the terminal 100.
  • the wireless Internet module is configured to transmit and receive wireless signals in a communication network according to wireless Internet technologies.
  • wireless Internet technologies include WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, DLNA (Digital Living Network Alliance), WiBro (Wireless Broadband), WiMAX (World Interoperability for Microwave Access), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), and Long Term Evolution-Advanced (LTE-A).
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Wi-Fi Wireless Fidelity
  • Direct wireless Internet technologies
  • DLNA Digital Living Network Alliance
  • WiBro Wireless Broadband
  • WiMAX Worldwide Interoperability for Microwave Access
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution-Advanced
  • the short range communication module is for short range communication, and includes Bluetooth (Bluetooth), RFID (Radio Frequency Identification), Infrared Data Association (IrDA), UWB (Ultra Wideband), ZigBee, NFC (Near Field Communication), Wi-Fi (Wireless-Fidelity), Wi-Fi Direct, and Wireless Universal Serial Bus (USB) technologies may be used to support short-range communication.
  • Bluetooth Bluetooth
  • RFID Radio Frequency Identification
  • IrDA Infrared Data Association
  • UWB Ultra Wideband
  • ZigBee Ultra Wideband
  • NFC Near Field Communication
  • Wi-Fi Wireless-Fidelity
  • Wi-Fi Direct Wireless Universal Serial Bus
  • the memory 150 may store a SLAM map created through a Simultaneous Localization And Mapping (SLAM) algorithm.
  • SLAM Simultaneous Localization And Mapping
  • the movement detection sensor 160 may detect the movement of the artificial intelligence cleaner 100. Specifically, the movement detection sensor 160 may detect that the artificial intelligence cleaner 100 is lifted and moved by a user.
  • the movement detection sensor 160 may include one or more of a floor detection sensor 161 and a gyro sensor 163.
  • the floor detection sensor 161 may detect whether the artificial intelligence cleaner 100 has been moved by a user using infrared rays. A detailed description of this will be described later.
  • the gyro sensor 163 may measure the angular velocity of the artificial intelligence cleaner 100 for each of the x-axis, y-axis, and z-axis. The gyro sensor 163 may detect movement of the artificial intelligence cleaner 100 by the user using the amount of change in angular velocity for each axis.
  • the movement detection sensor 160 may include a wheel sensor, a cliff sensor, and the like, and may detect movement of the artificial intelligence cleaner 100 by a user by using this.
  • the driving driving unit 170 may move the artificial intelligence cleaner 100 in a specific direction or by a specific distance.
  • the driving driving unit 170 may include a left wheel driving unit 171 for driving the left wheel of the artificial intelligence cleaner 100 and a right wheel driving unit 173 for driving the right wheel.
  • the left wheel driving unit 171 may include a motor for driving the left wheel
  • the right wheel driving unit 173 may include a motor for driving the right wheel.
  • the driving driving unit 170 includes the left wheel driving unit 171 and the right wheel driving unit 173, but it is not necessary to be limited thereto, and when there is only one wheel, only one driving unit may be provided. .
  • the processor 190 may control the overall operation of the artificial intelligence cleaner 100.
  • FIG. 2 is a perspective view of an artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • the artificial intelligence cleaner 100 may include a cleaner body 50 and an image sensor 110 provided on an upper surface of the cleaner body 50.
  • the image sensor 110 may irradiate light to the front and receive the reflected light.
  • the image sensor 110 may acquire depth information by using a time difference in which the received light returns.
  • the cleaner body 50 may include other components other than the image sensor 110 among the components described in FIG. 1.
  • FIG 3 is a bottom view of the artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • the artificial intelligence cleaner 100 may further include a cleaner body 50, a left wheel 61a, a right wheel 61b, and a suction unit 70.
  • the left wheel 61a and the right wheel 61b may drive the cleaner body 50.
  • the left wheel drive unit 171 may drive the left wheel 61a, and the right wheel drive unit 173 may drive the right wheel 61b.
  • the artificial intelligence cleaner 100 may suck foreign substances such as dust or garbage through the suction unit 70.
  • the suction unit 70 may be provided in the cleaner body 50 to suck dust from the bottom surface.
  • the suction unit 70 may further include a filter (not shown) for collecting foreign substances from the suctioned airflow, and a foreign substance receiver (not shown) in which foreign substances collected by the filter are accumulated.
  • FIG. 4 is a block diagram showing the configuration of an artificial neural network learning apparatus 200 according to an embodiment of the present invention.
  • the learning device 200 is a device or server configured separately outside the artificial intelligence cleaner 100 and is configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision making, and machine learning algorithms. Can be.
  • the machine learning algorithm may include a deep learning algorithm.
  • the learning device 200 may communicate with at least one artificial intelligence cleaner 100, and may derive a result by analyzing or learning data on or in place of the artificial intelligence cleaner 100.
  • the meaning of helping other devices may mean distribution of computing power through distributed processing.
  • the learning device 200 of an artificial neural network is various devices for learning an artificial neural network, and may generally mean a server, and may be referred to as a learning device or a learning server.
  • the learning device 200 may be implemented as a single server as well as a plurality of server sets, cloud servers, or a combination thereof.
  • the learning device 200 may be configured in plural to form a learning device set (or cloud server), and at least one or more learning devices 200 included in the learning device set may analyze or learn data through distributed processing. Results can be derived.
  • the learning device 200 may transmit the model learned by machine learning or deep learning to the artificial intelligence cleaner 100 periodically or upon request.
  • the learning device 200 may store the learned model and transmit a result value derived by using the learned model to the artificial intelligence cleaner 100 when requested by the artificial intelligence cleaner 100.
  • the learning device 200 includes a communication unit 210, an input unit 220, a memory 230, a learning processor 240, and a power supply unit. , 250), and a processor 260.
  • the communication unit 210 may correspond to the wireless communication unit 140 of FIG. 1.
  • the input unit 220 may obtain training data for model training and input data for obtaining an output using a trained model.
  • the input unit 220 may obtain unprocessed input data.
  • the processor 260 may pre-process the obtained data to generate training data or pre-processed input data that can be input to model training.
  • the pre-processing of input data performed by the input unit 220 may mean extracting an input feature from the input data.
  • the memory 230 stores models, training data, input data, etc. learned through a machine learning algorithm or a deep learning algorithm.
  • the memory 230 may include a model storage unit 231 and a database 232.
  • the model storage unit 231 stores the model being trained or trained through the learning processor 240 (or artificial neural network 231a), and stores the updated model when the model is updated through training.
  • the model storage unit 231 may divide and store the learned model as a plurality of versions according to a learning time point or a learning progress, if necessary.
  • the artificial neural network 231a shown in FIG. 4 is only an example of an artificial neural network including a plurality of hidden layers, and the artificial neural network of the present invention is not limited thereto.
  • the artificial neural network 231a may be implemented in hardware, software, or a combination of hardware and software. When some or all of the artificial neural network 231a is implemented in software, one or more instructions constituting the artificial neural network 231a may be stored in the memory 230.
  • the database 232 stores input data obtained from the input unit 220, training data (or training data) used for model training, and a model learning history.
  • the input data stored in the database 232 may be not only processed data suitable for model learning, but also raw input data itself.
  • the learning processor 240 may train (train, or learn) the artificial neural network 231a using training data or a training set.
  • the learning processor 240 learns the artificial neural network 231a by immediately acquiring preprocessed data of the input data acquired by the processor 260 through the input unit 220 or acquires preprocessed input data stored in the database 232 Thus, the artificial neural network 231a can be trained.
  • the learning processor 240 may determine optimized model parameters of the artificial neural network 231a by repeatedly learning the artificial neural network 231a using various learning techniques described above.
  • an artificial neural network whose parameters are determined by being trained using training data may be referred to as a learning model or a trained model.
  • the learning model may infer the result value while being mounted on the learning device 200 of the artificial neural network, and may be transmitted to and mounted on another device such as the artificial intelligence cleaner 100 through the communication unit 210.
  • the updated learning model may be transmitted and mounted to another device such as the terminal 100 through the communication unit 210.
  • the power supply unit 250 supplies power.
  • FIG. 5 is a flowchart illustrating a method of operating an artificial intelligence cleaner according to an embodiment of the present invention.
  • the processor 190 of the artificial intelligence cleaner 100 collects a plurality of cleaning records for a cleaning space (S501).
  • the processor 190 may generate cleaning records through information collected from various sensors included in the artificial intelligence cleaner 100.
  • various sensors may include an RGB camera, an RGB-D camera, and a cliff sensor.
  • Each cleaning record may include at least one of a cleaning time required for each cleaning unit in the cleaning space, a cleaning status, a cleaning result value, a cleaning number, whether an obstacle is detected, or whether a restraint has occurred.
  • the cleaning unit may mean a unit for dividing the cleaning space, and the size may use a preset default value.
  • the cleaning unit may be 5cm x 5cm.
  • the time required for cleaning may mean a time that the artificial intelligence cleaner 100 stays in a specific cleaning unit.
  • the artificial intelligence cleaner 100 can facilitate cleaning, the time required for cleaning may be reduced.
  • the artificial intelligence cleaner 100 may perform more operations such as direction change, and thus the time required for cleaning may be large.
  • Whether to clean may mean whether the artificial intelligent cleaner 100 has ever arrived or has stayed in a specific cleaning unit.
  • whether or not to clean can only indicate whether or not the time required for cleaning is 0, and in this case, whether or not to clean can be understood as a sub-concept of the time required for cleaning.
  • the cleaning result value may indicate an amount of foreign matter/dust acquired through sensors in a specific cleaning unit, or may indicate a reduction amount of foreign matter/dust according to cleaning.
  • the cleaning result value may appear good, and in a space where the artificial intelligence cleaner 100 is difficult to reach due to many obstacles, the cleaning result value may appear bad. have.
  • the number of times of cleaning may mean how many times the artificial intelligence cleaner 100 has arrived or how many times has stayed in a specific cleaning unit.
  • the cleaning frequency may be low.
  • the passage connecting the two rooms has a high possibility of overlapping cleaning as the artificial intelligence cleaner 100 reciprocates the two rooms, and thus the cleaning frequency may be high.
  • Whether the obstacle is detected may mean whether the artificial intelligence cleaner 100 detects an obstacle in a specific cleaning unit.
  • whether or not an obstacle is detected may indicate not only whether there is an obstacle, but also whether there is a threshold or a height difference.
  • whether an obstacle is detected may be determined as a value of 1 when an obstacle is detected, or as 0 when an obstacle is not detected.
  • Whether or not restraint occurs may mean whether or not the artificial intelligence cleaner 100 can no longer proceed due to a certain factor in a specific cleaning unit.
  • whether or not restraint occurs may mean whether the artificial intelligence cleaner 100 does not deviate from a plurality of adjacent cleaning units.
  • the specific adjacent plurality of cleaning units are relatively small spaces compared to the entire cleaning space.
  • the artificial intelligence cleaner 100 when the artificial intelligence cleaner 100 is caught in an electric wire and cannot move, or when it enters under the bed and cannot come out again, it may be determined to be restrained, and the value may be determined as 1.
  • Each cleaning record can be collected based on the SLAM map for the cleaning space.
  • information collected from sensors may be stored as a cleaning record together with the coordinates inside the cleaning space.
  • the cleaning record may include coordinate information in the SLAM map for the cleaning space.
  • the size of the cleaning unit serving as a reference in the cleaning record is different from the default value, information on the size value of the cleaning unit may be further included in the cleaning record.
  • the cleaning unit defaults to 5cm x 5cm, but when a specific cleaning record is collected for a cleaning unit of 10cm x 10cm, the specific cleaning record may include 10cm x 10cm as size information of the cleaning unit.
  • the processor 190 divides the cleaning space into a plurality of cleaning areas by using the collected cleaning records (S503).
  • the reason why the processor uses the plurality of cleaning records when dividing the cleaning space into a plurality of cleaning areas is to prevent the cleaning areas from being divided into a distorted state due to a temporary obstacle by a user or a temporarily placed object.
  • Each of the divided cleaning areas may be classified as one of a plurality of preset area types.
  • the area types include a basic cleaning area, and at least one or more of an obstacle area, a constrained area, a complex area, or a passage area may be further included.
  • the cleaning space may be divided into an area without obstacles and an area with many obstacles, an area without obstacles may be classified as a basic cleaning area, and an area with many obstacles may be classified as an obstacle area.
  • an area that takes a long time to clean due to an obstacle or a structure of a space may be divided into a complex area.
  • each of the divided cleaning areas may be divided so as not to include sub cleaning areas that are not connected to each other. This means that each of the separated cleaning areas is a continuous area.
  • the plurality of areas may be separated from each other and divided into respective cleaning areas.
  • the processor 190 determines a cleaning movement of the artificial intelligence cleaner 100 in consideration of the divided cleaning areas (S505).
  • the processor 190 may set different cleaning modes for each of the divided cleaning areas.
  • the cleaning mode may include a general cleaning mode, a simple cleaning mode, and a non-cleaning mode.
  • the cleaning mode may further include a strong cleaning mode (or a thorough cleaning mode).
  • a cleaning area classified as a general cleaning area may be cleaned in a general cleaning mode
  • a cleaning area classified as an obstacle area may be cleaned in a simple cleaning mode
  • the processor 190 may determine a cleaning movement line corresponding to each cleaning mode.
  • the processor 190 may set the interval between cleaning movement lines in the simple cleaning mode to be wider than the interval between cleaning movement lines in the general cleaning mode. Likewise, the processor 190 may set the interval between the cleaning movement lines in the strong cleaning mode to be narrower than the interval between the cleaning movement lines in the general cleaning mode.
  • the processor 190 may determine the number of times of cleaning the same point according to the cleaning mode.
  • the processor 190 determines a cleaning flow line to perform at least one cleaning at one point in the simple cleaning mode, and determines a cleaning flow line to perform at least two cleaning at one point in the general cleaning mode, and For the cleaning mode, it is possible to determine the cleaning path to perform at least three cleanings at one point.
  • the processor 190 may determine a cleaning movement line according to a cleaning priority order among the divided cleaning spaces.
  • the processor 190 may determine a cleaning movement for cleaning a cleaning space of a priority priority first and cleaning a space of a later priority.
  • the processor 190 controls the driving driving unit 170 of the artificial intelligence cleaner 100 according to the determined cleaning movement line (S507).
  • the determined cleaning movement line may be stored in the memory 150, and the processor 190 may control the driving driving unit 170 so that the artificial intelligence cleaner 100 may move along the cleaning movement line.
  • the artificial intelligence cleaner 100 divides the cleaning space into a plurality of cleaning areas and cleans along the cleaning flow line in consideration of the type of each cleaning area, thereby reducing the time required for cleaning, and constrained in the middle of cleaning. It can effectively prevent interruptions.
  • FIG. 6 is a diagram showing an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 6 is a visualization of the collected cleaning time for each cleaning unit together with a SLAM map.
  • the cleaning record may include the cleaning time required for each cleaning unit, and the cleaning time required for each cleaning unit may be recorded together with the coordinates of the SLAM map of the cleaning space.
  • the cleaning record may include information on the time required for cleaning in the form of (coordinates, time required for cleaning).
  • the artificial intelligence cleaner 100 may provide the user terminal with a SLAM map as shown in FIG. 6 and image information indicating the required cleaning time in each cleaning unit on the SLAM map.
  • FIG. 7 is a diagram showing an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 7 shows a heat map reflecting the number of cleaning times and the required cleaning time with respect to the SLAM map in the cleaning space.
  • the artificial intelligence cleaner 100 may provide a heat map for the SLAM map as shown in FIG. 7 to the user terminal.
  • FIG. 8 is a diagram showing an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 8 is a visualization of whether or not cleaning for each cleaning unit or cleaning result value is collected together with a SLAM map.
  • Whether to clean a specific cleaning unit may mean whether the artificial intelligence cleaner 100 has reached or stayed at the specific cleaning unit for cleaning. Alternatively, whether or not cleaning may mean whether or not cleaning is necessary.
  • the cleaning result value may mean the amount or change of the foreign matter/dust collected through the sensor.
  • the cleaning result value may mean a value indicating whether cleaning has been sufficiently performed depending on whether the amount of foreign matter/dust collected through the sensor is less than or equal to a reference value.
  • the cleaning result value can be set to 1.
  • the cleaning record may include whether to clean each cleaning unit or a cleaning result value, and whether each cleaning unit is cleaned or a cleaning result value may be recorded together with the coordinates of the SLAM map of the cleaning space.
  • the cleaning record may include information on the required cleaning time in the form of (coordinates, cleaning status), (coordinates, cleaning result values) or (coordinates, cleaning status, cleaning result values).
  • the cleaning record may include the cleaning time required for each cleaning unit, and the cleaning time required for each cleaning unit may be recorded together with the coordinates of the SLAM map of the cleaning space.
  • the cleaning record may include information on the time required for cleaning in the form of (coordinates, time required for cleaning).
  • the artificial intelligence cleaner 100 may provide the user terminal with a SLAM map as shown in FIG. 8 and image information indicating whether cleaning is performed in each cleaning unit or a cleaning result value on the SLAM map.
  • FIG. 9 is a diagram illustrating an example of a cleaning record according to an embodiment of the present invention.
  • FIG. 9 shows a SLAM map reflecting whether the cleaning space is cleaned or a cleaning result value.
  • the artificial intelligence cleaner 100 may provide a SLAM map as illustrated in FIG. 9 to a user terminal.
  • FIG. 10 is a flowchart illustrating an example of a step S503 of dividing the cleaning space shown in FIG. 5 into a plurality of cleaning areas.
  • the processor 190 determines whether the cleaning area classification model is a deep learning-based model (S1001).
  • the model for classifying the cleaning area may be a deep learning (or machine learning)-based model or a rule-based model.
  • a deep learning (or machine learning)-based model may mean an artificial neural network learned by a deep learning (or machine learning) algorithm.
  • the rule-based model may mean a model consisting of conditions for several variables.
  • rule-based model may refer only to conditions for several variables, but may refer to the entire process of classifying cleaning areas using these conditions.
  • the cleaning area classification model may be stored in the memory 150.
  • the processor 190 may determine whether the cleaning area classification model is a deep learning-based model or a rule-based model according to a preset value or a user's selection.
  • the processor 190 may classify the cleaning area using the mounted cleaning area classification model without a separate determination process.
  • step S1001 when the cleaning area classification model is not a deep learning-based model, the processor 190 classifies the cleaning areas according to the rule-based model.
  • the processor 190 classifies the area type of each cleaning unit according to whether a preset condition for information included in the cleaning records is satisfied (S1003).
  • the processor 190 combines cleaning units having the same area type to generate one cleaning area (S1005).
  • the processor 190 may combine cleaning units adjacent (or connected) to each other while having the same area type.
  • the first to tenth cleaning units may be classified as a complex area
  • the 11th to twentieth cleaning units are a passage area
  • the remaining cleaning units may be classified as a general cleaning area.
  • the processor 190 is the first to fifth cleaning units.
  • the sixth to tenth cleaning units may be combined to generate another cleaning area.
  • each cleaning area can be classified into one area type, and each cleaning area does not include separate (not connected) areas.
  • step S1001 when the cleaning area classification model is a deep learning-based model, the processor 190 classifies the cleaning areas according to the deep learning-based model.
  • the processor 190 obtains a map in which a plurality of cleaning areas are classified using a deep learning-based cleaning area classification model (S1005).
  • S1005 deep learning-based cleaning area classification model
  • the processor 190 inputs map data for the cleaning space and a cleaning record for the cleaning space for a deep learning-based cleaning area classification model.
  • a map in which the cleaning space is divided into a plurality of cleaning areas is obtained as an output corresponding to the data input through the deep learning-based cleaning area classification model.
  • a deep learning-based cleaning area classification model will be described with reference to FIG. 12.
  • FIG. 11 is a diagram illustrating an example of a rule-based cleaning area classification model according to an embodiment of the present invention.
  • FIG. 11 shows conditions for information included in cleaning records in a rule-based cleaning area classification model and a result of classification of area types according to conditions.
  • the rule-based cleaning area classification model may be implemented through a combination of various conditions.
  • the processor 190 determines whether the confinement ratio is greater than or equal to the first reference value th 1 as a first condition in the cleaning area classification model, and when the confinement ratio is greater than or equal to the first reference value, the cleaning unit may be classified as a constrained area. .
  • the confinement ratio may mean a ratio of a cleaning record in which the robot cleaner has been confined in a corresponding cleaning unit among a plurality of collected cleaning records.
  • the processor 190 determines whether the obstacle ratio is equal to or greater than the second reference value (th 2 ) as a second condition when the restraint ratio is less than the first reference value, and when the obstacle ratio is greater than the second reference value, the cleaning unit is It can be divided into obstacle areas.
  • the obstacle ratio may mean a ratio of cleaning records in which an obstacle has been detected in a corresponding cleaning unit among a plurality of collected cleaning records.
  • the processor 190 determines whether the average cleaning time is equal to or greater than the third reference value (th 3 ) as a third condition when the obstacle ratio is less than the second reference value, and when the average cleaning time is more than the third reference value, the corresponding cleaning Units can be divided into complex areas.
  • the average cleaning time may mean an average value of the cleaning time required for a corresponding cleaning unit obtained from a plurality of collected cleaning records.
  • the processor 190 determines whether the average cleaning number is equal to or greater than the fourth reference value (th 4 ) as the fourth condition, and when the average cleaning time is greater than the fourth reference value, the corresponding The cleaning unit is divided into a passage area, and when the average number of cleaning is less than the fourth reference value, the cleaning unit may be classified as a general cleaning area.
  • the average cleaning time may mean an average value of the number of cleaning times for a corresponding cleaning unit obtained from a plurality of collected cleaning records.
  • a cleaning unit to which the artificial intelligence cleaner 100 is frequently constrained is first classified as a constrained area, and a cleaning unit in which an obstacle is frequently recognized is classified as an obstacle area.
  • cleaning units that take a long time to clean are classified as complex areas.
  • Cleaning units that do not take a long time to clean but have a large number of cleaning times are classified as passage areas.
  • Cleaning units that do not take a long time to clean and have a low cleaning frequency are classified as general cleaning areas.
  • a frequency of cleaning records having specific data among a plurality of cleaning records may be used.
  • the processor 190 may determine whether the frequency of cleaning records recorded as constrained by a specific cleaning unit is greater than or equal to a reference value. That is, the processor 190 may use various statistical values using a plurality of cleaning records.
  • FIG. 12 is a diagram illustrating an example of a deep learning-based cleaning area classification model according to an embodiment of the present invention.
  • a deep learning-based cleaning area classification model 1203 may be configured as an artificial neural network.
  • the deep learning-based cleaning area classification model 1203 may be a personalized model trained individually for each user.
  • the deep learning-based cleaning area classification model 1203 may be a segmentation model.
  • the deep learning-based cleaning area classification model 1203 may be implemented as a model such as a Fully Convolutional Network (FCN), U-net, SegNet, and DeepLab.
  • FCN Fully Convolutional Network
  • U-net U-net
  • SegNet SegNet
  • DeepLab DeepLab
  • the deep learning-based cleaning area classification model 1203 is a model that outputs a map in which a plurality of cleaning areas are divided when map data corresponding to the cleaning space and cleaning records 1201 and 1202 in the cleaning space are input. .
  • the map corresponding to the cleaning space may be a SLAM map for the cleaning space.
  • each cleaning record may include at least one or more of cleaning time required for each cleaning unit in the cleaning space, cleaning status, cleaning result value, cleaning number, detection of obstacles, or occurrence of restraint. .
  • a map is included in the inputted cleaning record data itself, but the map data and the cleaning record may be input as separate data.
  • a SLAM map as map data, and coordinates in the SLAM map and information about each coordinate may be input as data for cleaning records.
  • the deep learning-based cleaning area classification model 1203 is trained using training data.
  • the learning data may be composed of input data for learning and labeling information corresponding to the input data for learning.
  • the input data for training may be composed of a map corresponding to the cleaning space and cleaning records in the cleaning space.
  • the labeling information may be a map in which a plurality of cleaning areas are divided corresponding to input data for learning.
  • the labeling information may be manually set by a user, a developer, or a designer.
  • the labeling information may include an area type.
  • the deep learning-based cleaning area classification model 1203 may be trained in a direction of narrowing the difference between the output data and labeling information corresponding to the training input data when input data for training included in the training data is input.
  • the difference between the output data and the labeling information may be expressed as a loss function or a cost function, and the deep learning-based cleaning area classification model 1203 is trained in a direction to minimize the loss function.
  • the deep learning-based cleaning area classification model 1203 outputs a map for classifying cleaning areas based on the area type, and thus, each cleaning area may be classified into one area type.
  • the deep learning-based cleaning area classification model 1203 may be a model that is learned and stored by the processor 190 of the artificial intelligence cleaner 100, but is learned through the external learning device 200, and the wireless communication unit 140 It may be a model received through.
  • the artificial intelligence cleaner 100 may obtain a user's feedback, generate labeling information corresponding to a corresponding cleaning record based on the user's feedback, and generate the corresponding cleaning record and labeling information as learning data.
  • the generated training data may be used to update the deep learning-based cleaning area classification model 1203.
  • the deep learning-based cleaning area classification model 1203 may also be updated through the processor 190 of the artificial intelligence cleaner 100, but may also be performed through an external learning device 200.
  • FIG. 13 to 15 are views illustrating examples of cleaning spaces in which cleaning areas are separated from each other according to an embodiment of the present invention.
  • FIG. 13 is a diagram illustrating a cleaning space divided into a general cleaning area 1301 and a complex area 1302 on a SLAM map.
  • FIG. 14 is a diagram illustrating a cleaning space divided into a general cleaning area 1401 and a complex area 1402 on a heat map.
  • 15 is a diagram illustrating a cleaning space divided into general cleaning areas 1501 and 1503 and a passage area 1502.
  • a cleaning area that requires a lot of time for cleaning due to a complex structure due to an obstacle, etc. may be divided into a complex area, and a passage connecting several spaces may be divided into a passage area.
  • an area having a high cleaning frequency despite not being an obstacle area, a constrained area, or a complex area may be classified as a passage area. That is, the passage area is located in the middle of several spaces, so that the artificial intelligence cleaner 100 moves between the spaces and repeatedly passes, and accordingly, the number of cleanings may be high in the passage area.
  • 16 is an operation flowchart showing an example of a step S505 of determining a cleaning movement line shown in FIG. 5.
  • the processor 190 determines whether or not setting information for priority between region types has been received (S1601).
  • the setting information on the priority between the types of areas may be received in the step of determining the cleaning movement line, it may be received in advance and stored in the memory 150.
  • the step S1601 may mean determining whether or not there is setting information about the priority between the types received in the region.
  • step S1601 If there is setting information on the priority between the received area types as a result of the determination in step S1601, the processor 190 prioritizes cleaning for each of the divided cleaning areas using the setting information on the received priority. The ranking is determined (S1603).
  • step S1601 If there is no setting information on the priority between the received area types as a result of the determination in step S1601, the processor 190 prioritizes cleaning for each of the divided cleaning areas by using the setting information for the preset priority. The ranking is determined (S1605).
  • the setting information on the cleaning priority may be information for setting the general cleaning area as 1st priority, the passage area 2nd, the complex area 3rd, the obstacle area 4th, and the restraint area 5th.
  • each of the divided cleaning areas is classified into one area type, and thus, a cleaning priority order between the divided cleaning areas may be determined using the cleaning priority order between the area types.
  • the processor 190 determines whether setting information on the cleaning mode for each area type has been received (S1607).
  • the setting information on the cleaning mode for each area type may be received in the step of determining the cleaning movement line, but may be received in advance and stored in the memory 150.
  • step S1607 may mean determining whether or not setting information for a cleaning mode for each type of area received by the area exists.
  • the processor 190 determines the cleaning mode for each of the separated cleaning areas using the received setting information on the cleaning mode. Do (S1609).
  • step S1601 If there is no setting information on the cleaning mode for each type of the received area as a result of the determination in step S1601, the processor 190 determines a cleaning mode for each of the divided cleaning areas using the setting information for the preset cleaning mode. Do (S1611).
  • the setting information on the cleaning mode may be information for setting a general cleaning area to a general cleaning mode, a passage area, a complex area to a simple cleaning mode, and an obstacle area and a constrained area to a non-cleaning mode.
  • the processor 190 determines a cleaning movement line in consideration of the priority for each cleaning area, a cleaning mode for each cleaning area, and a proximity between the cleaning areas (S1613).
  • Each cleaning area is classified into one area type, and a plurality of cleaning areas may be classified into the same area type. That is, even though different cleaning areas are classified into the same area type, the same cleaning priority order and cleaning mode may be set.
  • the processor 190 may additionally determine the cleaning movement line in consideration of the proximity between the cleaning areas.
  • the processor 190 cleans
  • the movement line may be determined in the order of the first cleaning area, the second cleaning area, and the third cleaning area, or vice versa.
  • the processor 190 may additionally consider the current location of the artificial intelligence cleaner 100 or the location of the charging station of the artificial intelligence cleaner 100 in determining the cleaning movement.
  • the processor 190 determines the cleaning movement in the order of the third cleaning area, the second cleaning area, and the first cleaning area. I can. However, in this case as well, the processor 190 may determine the cleaning movement line in the order of the first cleaning area, the second cleaning area, and the third cleaning area.
  • 17 and 18 are diagrams illustrating an example of setting a cleaning mode through a user input in an embodiment of the present invention.
  • the processor 190 may provide a cleaning mode setting window 1702 to the user terminal 1701 through the wireless communication unit 140. Further, the processor 190 may receive setting information on a cleaning mode for each area type or a specific area type from the user terminal 1701 through the wireless communication unit 140.
  • the cleaning areas divided for the cleaning space are displayed on the SLAM map (1703), and items 1704 for setting the cleaning mode for a specific area type (eg, constrained area) are displayed. Can be included.
  • a specific area type eg, constrained area
  • the cleaning mode setting window 1702 provided to the user terminal 1701 may be provided as a graphic user interface (GUI).
  • GUI graphic user interface
  • the items 1704 for setting the cleaning mode may include an item for setting the constrained area to a non-cleaning mode, an item for setting the constrained area to a simple cleaning mode, and an item for setting the constrained area to a general cleaning mode.
  • the processor 190 outputs a voice 1801 asking a user 1802 for a cleaning mode for each area type or for a specific area type through a speaker (not shown), and transmits the microphone 120. Through this, a response 1803 for setting a cleaning mode for each area type of the user or for a specific area type may be received.
  • 19 is a diagram illustrating an example of setting cleaning priority through user input in an embodiment of the present invention.
  • the processor 190 may provide a priority setting window 1902 to the user terminal 1901 through the wireless communication unit 140.
  • the processor 190 may receive setting information about cleaning priority for each area type or a specific area type from the user terminal 1901 through the wireless communication unit 140.
  • the cleaning areas divided for the cleaning space are displayed on the SLAM map (1903), and items 1904 for setting the cleaning priority for a specific area type (eg, constrained area) May be included.
  • a specific area type eg, constrained area
  • the cleaning mode setting window 1902 provided to the user terminal 1901 may be provided as a graphic user interface (GUI).
  • GUI graphic user interface
  • the items 1904 that can set the cleaning priority include items that are set to clean without distinction of the constrained area, the item that gives the priority of the constrained area as 1, and the priority of the constrained area as the last priority. Items may be included.
  • setting a specific area type to be cleaned without distinction of areas may mean not giving priority to the corresponding area type. That is, an area to which priority is not assigned is not compared with other area types.
  • the processor 190 outputs a voice to the user through a speaker (not shown) asking for cleaning priority for each area type or for a specific area type, and the microphone 120 for each user's area type. Alternatively, a response for setting a cleaning priority for a specific area type may be received.
  • 20 and 21 are diagrams showing examples of cleaning movement lines of the artificial intelligence cleaner 100 according to an embodiment of the present invention.
  • the cleaning space shown in FIGS. 20 and 21 includes two rooms 2002 and 2003 and one passage 2004 positioned therebetween.
  • FIG. 20 illustrates a case where the cleaning space is not divided into two rooms (2002, 2003) and a passage (2004), or a case where the cleaning priority between the two rooms (2002, 2003) and the passage (2004) does not differ from each other.
  • a cleaning movement line 2001 is shown.
  • the processor 190 does not distinguish between the two rooms 2002 and 2003 and the passage 2004 in determining the cleaning movement line 2001. Therefore, even if cleaning is started in the left room (2002), the left room (2002) and the right room (2003) are cleaned out of sequence while repeatedly passing through the passage (2004).
  • the artificial intelligence cleaner 100 passes the passage 2004 several times, and accordingly, the number of times of cleaning may be unnecessarily increased in the passage 2004.
  • the left room 2002 is cleaned, the right room 2003 and the passage 2004 are cleaned, so that the cleaning movement is inefficient.
  • the user may have doubts about the reliability of the cleaner's operation by seeing that the left room 2002 has not been cleaned but moves to another space.
  • the processor 190 divides the cleaning space into several cleaning areas (2002, 2003, and 2004), the cleaning areas 2002, 2003 and 2004 have the same cleaning priority. Or, when it is set not to give priority, as shown in FIG. 20, the moving line 2001 may be determined.
  • FIG. 21 shows a cleaning flow line 2101 for a case where the cleaning space is divided into two rooms 2002 and 2003 and a passage 2004, the passage 2004 is divided into a passage area, and the cleaning priority of the passage area is set low. ).
  • the processor 190 separates the two rooms 2002 and 2003 and the passage 2004 from each other in determining the cleaning movement line 2101. Therefore, when cleaning is started in the left room (2002), even if it is located adjacent to the passage (2004), the cleaning of the left room (2002) is first finished, and then, through the passage (2004), it moves to the right room (2003). (2003) and finally the passage (2004).
  • the artificial intelligence cleaner 100 does not unnecessarily pass through the passage 2004 and may clean the passage 2004 with a lower priority for cleaning in a later order.
  • cleaning is performed sequentially for the right room 2003 and the passage 2004, so that the cleaning movement is efficient.
  • the present invention described above can be implemented as a computer-readable code in a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices that store data that can be read by a computer system. Examples of computer-readable media include HDD (Hard Disk Drive), SSD (Solid State Disk), SDD (Silicon Disk Drive), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Robotics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Image Analysis (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

본 발명의 실시 예는 인공 지능 청소기에 있어서, 청소 공간의 SLAM(simultaneous localization and mapping) 지도를 저장하는 메모리; 상기 인공 지능 청소기를 주행시키는 주행 구동부; 및 상기 청소 공간에 대한 복수의 청소 기록들을 수집하고, 상기 SLAM 지도 및 상기 수집된 복수의 청소 기록들을 이용하여 상기 청소 공간을 복수의 청소 영역들로 구분하고, 상기 구분된 청소 영역들을 고려하여 상기 인공 지능 청소기의 청소 동선을 결정하고, 상기 결정된 청소 동선에 따라 상기 주행 구동부를 제어하는 프로세서를 포함하는, 인공 지능 청소기를 제공한다.

Description

인공 지능 청소기 및 그의 동작 방법
본 발명은 인공 지능 청소기 및 그의 동작 방법에 관한 것이다. 구체적으로, 청소 데이터를 이용하여 청소의 효율을 떨어뜨리는 구역을 구분하고, 구역 구분 정보를 이용하여 청소 경로 또는 청소 경로 내에서의 청소 모드를 재설정하는 인공 지능 청소기에 관한 것이다.
로봇 청소기는 사용자의 조작 없이도 청소하고자 하는 구역 내를 스스로 주행하면서 바닥 면으로부터 먼지 등의 이물질을 흡입하여 자동으로 청소하는 기기이다. 이러한 로봇 청소기는 내장된 프로그램에 따라 청소 경로를 설정하고, 설정된 청소 경로를 따라 주행하면서 청소 동작을 수행하도록 되어 있다.
일반적으로 로봇 청소기는 전체 청소 영역을 고려하지 않고 청소기 기준 일정 반경(예컨대, 반경 25츠)의 환경만 고려하여 장애물이 있을 경우 회피를 하면서 청소를 진행한다. 그렇기 때문에 로봇 청소기는 청소 시간이 오래 걸리는 영역이나 장애물에 반복적으로 부딪히는 영역 등 이전에 헤매었던 영역에서 매번 헤매는 경우가 발생한다. 예컨대, 장애물이 많은 구역에서는 청소에 많은 시간이 소요되거나 움직임에 제한이 생겨 구속되는 경우가 있다. 또한, 특정 구역에서는 다른 구역들에 비하여 많이 청소하기도 하다.
따라서, 주어진 청소 구역에 적합한 청소 경로나 청소 모드를 설정할 수 있다면 보다 효율적으로 청소가 가능할 것이다.
본 발명은 인공 지능 청소기의 청소 기록으로부터 청소하는데 어려움을 겪는 공간과 용이하게 청소할 수 있는 공간을 구분하여 청소하는 인공 지능 청소기 및 이의 동작 방법을 제공하고자 한다.
또한, 본 발명은 각 청소 영역의 청소 모드와 청소 순서를 영역의 특징을 고려하여 설정하고, 설정된 청소 모드와 청소 순서를 고려한 청소 동선에 따라 청소하는 인공 지능 청소기 및 이의 동작 방법을 제공하고자 한다.
본 발명의 일 실시 예에 따른 인공 지능 청소기는 복수의 청소 기록들을 이용하여 청소 공간을 복수의 청소 영역들로 구분하고, 각 청소 영역들을 고려한 청소 동선을 설정하며, 설정된 청소 동선에 따라 청소를 수행할 수 있다.
또한, 본 발명의 일 실시 예에 따른 인공 지능 청소기는 각 청소 영역이 영역 유형들로 구분되고, 영역 유형별 청소 모드와 영역 유형 사이의 청소 우선 순위를 고려하여 청소 동선을 설정할 수 있다.
본 발명의 다양한 실시 예에 따르면, 청소 공간을 복수의 청소 영역들로 나누고, 청소 영역들을 기준으로 청소 동선이 결정됨에 따라, 보다 공간의 모양 또는 특징에 적합하게 청소가 이루어질 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 영역 유형마다 설정된 청소 모드 그리고 영역 유형 간 청소 우선 순위가 설정됨에 따라, 각 공간의 특성에 적합한 청소 모드를 제공할 수 있고, 우선 순위가 높은 영역부터 청소를 하여 청소의 만족도를 높이고 청소 실패 확률을 낮출 수 있다.
도 1는 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 사시도이다.
도 3은 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 저면도이다.
도 4는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 청소기의 동작 방법을 나타낸 동작 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
도 10은 도 5에 도시된 청소 공간을 복수의 청소 영역들로 구분하는 단계(S503)의 일 예를 나타낸 동작 흐름도이다.
도 11은 본 발명의 일 실시 예에 따른 규칙 기반의 청소 영역 구분 모델의 예시를 나타낸 도면이다.
도 12는 본 발명의 일 실시 예에 따른 딥 러닝 기반의 청소 영역 구분 모델의 예시를 나타낸 표이다.
도 13 내지 15는 본 발명의 일 실시 예에 따라 청소 영역들이 서로 구분된 청소 공간의 예시들을 나타낸 도면이다.
도 16은 도 5에 도시된 청소 동선을 결정하는 단계(S505)의 일 예를 나타낸 동작 흐름도이다.
도 17 및 18은 본 발명의 일 실시 예에서 사용자의 입력을 통해 청소 모드를 설정하는 예시를 나타낸 도면이다.
도 19는 본 발명의 일 실시 예에서 사용자의 입력을 통해 청소 우선 순위를 설정하는 예시를 나타낸 도면이다.
도 20 및 21은 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 청소 동선의 예시를 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 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.
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.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력되는 데이터가 원본 데이터인지 또는 생성기에서 생성한 가짜 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 1는 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 구성을 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)는 영상 센서(110), 마이크로폰(120), 장애물 검출부(130), 무선 통신부(140), 메모리(150), 주행 구동부(170) 및 프로세서(190)를 포함할 수 있다.
이하에서, 인공 지능 청소기(100)는 단말기(100)로 칭할 수 있다.
영상 센서(110)는 인공 지능 청소기(100)의 주변에 대한 영상 데이터를 획득할 수 있다.
영상 센서(110)는 깊이 센서(111) 또는 RGB 센서(113) 중 하나 이상을 포함할 수 있다.
깊이 센서(111)는 발광부(미도시)로부터 조사된 빛이 사물에 반사되어 돌아옴을 감지할 수 있다. 깊이 센서(111)는 돌아온 빛을 감지한 시간 차이, 돌아온 빛의 양 등에 기초하여, 사물과의 거리를 측정할 수 있다.
깊이 센서(111)는 측정된 사물 간의 거리에 기초하여, 청소기(100) 주위에 대한 2차원 영상 정보 또는 3차원 영상 정보를 획득할 수 있다.
RGB 센서(113)는 청소기(100) 주위의 사물에 대한 컬러 영상 정보를 획득할 수 있다. 컬러 영상 정보는 사물의 촬영 영상일 수 있다. RGB 센서(113)는 RGB 카메라로 명명될 수 있다.
마이크로폰(120)는 사용자의 음성을 수신할 수 있다. 수신한 사용자의 음성은 음성 서버(미도시) 등을 통하여 의도 정보가 분석될 수 있다.
이때, 사용자의 음성은 인공 지능 청소기(100)을 제어하기 위한 음성일 수 있다.
장애물 검출부(130)는 초음파 센서, 적외선 센서, 레이져 센서 등을 포함할 수 있다. 예를 들어, 장애물 검출부(130)는 청소 구역으로 레이저 광을 조사하고, 반사된 레이져 광의 패턴을 추출할 수 있다.
장애물 검출부(130)는 추출된 레이저 광의 위치, 패턴에 기초하여, 장애물을 검출할 수 있다.
깊이 센서(110)가 장애물을 검출하는데 사용되는 경우, 장애물 검출부(130)의 구성은 생략될 수 있다.
무선 통신부(140)는 무선 인터넷 모듈 및 근거리 통신 모듈 중 적어도 하나를 포함할 수 있다.
이동통신 모듈은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth쪠), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
메모리(150)는 동시적 위치 추정 및 맵 작성(SLAM: Simultaneous Localization And Mapping) 알고리즘을 통해 작성된 SLAM 지도를 저장할 수 있다.
이동 감지 센서(160)는 인공 지능 청소기(100)의 이동을 감지할 수 있다. 구체적으로, 이동 감지 센서(160)는 인공 지능 청소기(100)가 사용자에 의해 들려져 이동됨을 감지할 수 있다.
이동 감지 센서(160)는 바닥 감지 센서(161) 및 자이로 센서(163) 중 하나 이상을 포함할 수 있다.
바닥 감지 센서(161)는 적외선을 이용하여, 인공 지능 청소기(100)가 사용자에 의해 이동되었는지를 감지할 수 있다. 이에 대한 구체적인 설명은 후술한다.
자이로 센서(163)는 x축, y축, z축 각각에 대해, 인공 지능 청소기(100)의 각속도를 측정할 수 있다. 자이로 센서(163)는 각 축에 대한 각속도 변화량을 이용하여, 인공 지능 청소기(100)의 사용자에 의한 이동을 감지할 수 있다.
이동 감지 센서(160)는 그 외에도, 휠 센서, 절벽 센서 등을 포함할 수 있고, 이를 이용하여, 인공 지능 청소기(100)의 사용자에 의한 이동을 감지할 수 있다.
주행 구동부(170)는 인공 지능 청소기(100)를 특정 방향으로 또는 특정 거리만큼 이동시킬 수 있다.
주행 구동부(170)는 인공 지능 청소기(100)의 좌륜을 구동시키는 좌륜 구동부(171) 및 우륜을 구동시키는 우륜 구동부(173)를 포함할 수 있다.
좌륜 구동부(171)는 좌륜을 구동시키기 위한 모터를 포함할 수 있고, 우륜 구동부(173)는 우륜을 구동시키기 위한 모터를 포함할 수 있다.
도 1에서는 주행 구동부(170)가 좌륜 구동부(171) 및 우륜 구동부(173)를 포함하는 것을 예로 들어 설명하였으나, 이에 한정될 필요는 없고, 휠이 하나인 경우 하나의 구동부만이 구비될 수도 있다.
프로세서(190)는 인공 지능 청소기(100)의 전반적인 동작을 제어할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 사시도이다.
도 2를 참조하면, 인공 지능 청소기(100)는 청소기 본체(50)와 청소기 본체(50)의 상면에 구비된 영상 센서(110)를 포함할 수 있다.
영상 센서(110)는 전방에 빛을 조사하고, 반사된 빛을 수신할 수 있다.
영상 센서(110)는 수신된 빛이 돌아오는 시간 차이를 이용하여 깊이 정보를 획득할 수 있다.
청소기 본체(50)는 도 1에서 설명된 구성 요소들 중 영상 센서(110)를 제외한 다른 구성 요소들을 포함할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 저면도이다.
도 3을 참조하면, 인공 지능 청소기(100)는 도 1의 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(171)는 좌륜(61a)을 구동시킬 수 있고, 우륜 구동부(173)는 우륜(61b)을 구동시킬 수 있다.
좌륜(61a) 및 우륜(61b)이 주행 구동부(170)에 의해 회전됨에 따라, 인공 지능 청소기(100)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.
도 4는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
학습 장치(200)는 인공 지능 청소기(100)의 외부에 별도로 구성된 장치 또는 서버로, 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
학습 장치(200)는 적어도 하나의 인공 지능 청소기(100)와 통신할 수 있고, 인공 지능 청소기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.
특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.
즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.
학습 장치(200)는 주기적으로 혹은 요청에 의하여 인공 지능 청소기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.
또는, 학습 장치(200)는 학습한 모델을 저장하고, 인공 지능 청소기(100)의 요청이 있을 때 학습한 모델을 이용하여 도출한 결과 값을 인공 지능 청소기(100)에 전송할 수 있다.
도 4를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.
통신부(210)는 도 1의 무선 통신부(140)와 대응될 수 있다.
입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.
입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.
메모리(230)는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 통하여 학습된 모델, 학습 데이터 또는 입력 데이터 등을 저장한다.
메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.
모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.
이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
도 4에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다
인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.
데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.
데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.
러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.
구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 인공 지능 청소기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.
또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.
전원 공급부(250)는 전원을 공급한다.
서로 대응되는 구성에 대한 중복되는 설명은 생략한다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 청소기의 동작 방법을 나타낸 동작 흐름도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 프로세서(190)는 청소 공간에 대한 복수의 청소 기록들을 수집한다(S501).
프로세서(190)는 인공 지능 청소기(100)에 구비된 다양한 센서들로부터 수집되는 정보를 통해 청소 기록들을 생성할 수 있다.
이때, 다양한 센서들에는 RGB 카메라, RGB-D 카메라, 절벽 센서 등이 포함될 수 있다.
각 청소 기록은 청소 공간에서의 각 청소 단위에 대한, 청소 소요 시간, 청소 여부, 청소 결과 값, 청소 횟수, 장애물 감지 여부 또는 구속 발생 여부 중에서 적어도 하나 이상을 포함할 수 있다.
청소 단위는 청소 공간을 분할하는 단위를 의미할 수 있고, 그 크기는 미리 설정된 기본값을 이용할 수 있다. 예컨대, 청소 단위는 5cm x 5cm일 수 있다.
청소 소요 시간은 특정 청소 단위에서 인공 지능 청소기(100)가 머무른 시간을 의미할 수 있다.
예컨대, 장애물이 없는 공간에서는 같이 인공 지능 청소기(100)가 청소를 용이하게 할 수 있으므로, 청소 소요 시간이 작게 나타날 수 있다. 반면, 장애물이 많은 공간에서는 인공 지능 청소기(100)가 방향 전환 등의 동작이 많아져, 청소 소요 시간이 크게 나타날 수 있다.
청소 여부는 특정 청소 단위에 인공 지능 청소기(100)가 도착한 적이 있는지 여부 또는 머무른 적이 있는지 여부를 의미할 수 있다.
이때, 청소 여부는 청소 소요 시간이 0인지 아닌지 만을 나타낼 수 있고, 이 경우 청소 여부는 청소 소요 시간의 하위 개념으로써 이해할 수 있다.
청소 결과 값은 특정 청소 단위에서 센서들을 통하여 획득한 이물질/먼지의 양을 나타내거나, 청소에 따른 이물질/먼지의 감소량을 나타낼 수 있다.
예컨대, 장애물이 없어 인공 지능 청소기(100)가 도달하는데 무리가 없는 공간에서는 청소 결과 값이 좋게 나타날 수 있고, 장애물이 많아 인공 지능 청소기(100)가 도달하기 어려운 공간은 청소 결과 값이 나쁘게 나타날 수 있다.
청소 횟수는 특정 청소 단위에 인공 지능 청소기(100)가 몇 번 도착하였는지 또는 몇 번 머물렀는지를 의미할 수 있다.
예컨대, 방의 중앙부는 동일한 장소에 인공 지능 청소기(100)가 중복하여 청소할 가능성이 낮으므로, 청소 횟수가 낮게 나타날 수 있다. 반면, 두 방을 잇는 통로는 인공 지능 청소기(100)가 상기 두 방을 왕복함에 따라 중복하여 청소할 가능성이 높으므로, 청소 횟수가 높게 나타날 수 있다.
장애물 감지 여부는 인공 지능 청소기(100)가 특정 청소 단위에서 장애물을 감지하였는지 여부를 의미할 수 있다.
또한, 장애물 감지 여부는 단순히 장애물이 있는지 여부뿐만 아니라, 문턱인지 여부, 높이차가 있는지 여부 등을 나타낼 수도 있다.
예컨대, 장애물 감지 여부는 장애물이 감지되면 그 값이 1로, 또는 장애물이 감지되지 않으면 그 값이 0으로 결정될 수 있다.
구속 발생 여부는 특정 청소 단위에서 인공 지능 청소기(100)가 어떠한 요인으로 인하여 더 이상 진행하지 못하는지 여부를 의미할 수 있다.
또는, 구속 발생 여부는 인공 지능 청소기(100)가 특정 인접한 복수의 청소 단위에서 벗어나지 못하는지 여부를 의미할 수도 있다. 이 경우에는, 상기 특정 인접한 복수의 청소 단위가 전체 청소 공간에 비하여 상대적으로 작은 공간이다.
예컨대, 인공 지능 청소기(100)가 전선에 걸려서 움직이지 못하는 경우라던가, 침대 밑으로 들어갔다가 밖으로 다시 나오지 못하는 경우에는 구속된 것으로 판단할 수 있고, 그 값이 1로 결정될 수 있다.
각 청소 기록은 청소 공간에 대한 SLAM 지도를 기반으로 수집될 수 있다.
청소 공간에 대한 SLAM 지도를 통하여 청소 공간 내부에 대하여 좌표가 설정되면, 센서들로부터 수집된 정보는 청소 공간 내부의 좌표와 함께 청소 기록으로 저장될 수 있다.
즉, 청소 기록에는 청소 공간에 대한 SLAM 지도 내에서의 좌표 정보가 포함될 수 있다.
만약, 청소 기록에서 기준이 되는 청소 단위의 크기가 기본값과는 다른 경우에는, 청소 기록에 청소 단위의 크기 값 정보가 더 포함될 수 있다.
예컨대, 청소 단위의 기본값이 5cm x 5cm이지만, 특정 청소 기록이 10cm x 10cm의 청소 단위에 대하여 수집된 경우라면, 상기 특정 청소 기록에는 청소 단위의 크기 정보로서 10cm x 10cm가 포함될 수 있다.
프로세서(190)는 수집된 복수의 청소 기록들을 이용하여 청소 공간을 복수의 청소 영역들로 구분한다(S503).
프로세서가 청소 공간을 복수의 청소 영역들로 구분할 때 복수의 청소 기록들을 이용하는 이유는, 사용자나 일시적으로 배치된 물건 등에 의하여 일시적인 장애물로 인하여 청소 영역들을 왜곡된 상태로 구분하는 것을 막기 위함이다.
즉, 복수의 청소 기록들에 대하여 수집된 각 항목의 빈도, 평균, 최빈값, 중간값 등을 이용하여, 청소 공간의 일시적인 상태 변경에도 왜곡되지 않으면서 복수의 청소 영역들을 구분할 수 있다.
각 구분된 청소 영역들은 미리 설정된 복수의 영역 유형들 중에서 하나로 분류될 수 있다.
이때, 영역 유형들에는 기본 청소 영역이 포함되고, 장애물 영역, 구속 영역, 복잡 영역 또는 통로 영역 중에서 적어도 하나 이상이 더 포함될 수 있다.
예컨대, 청소 공간은 장애물이 없는 영역과 장애물이 많은 영역으로 구분될 수 있고, 장애물이 없는 영역은 기본 청소 영역으로 분류되며, 장애물이 많은 영역은 장애물 영역으로 분류될 수 있다. 또한, 장애물이나 공간의 구조 등으로 인하여 청소 시간이 오래 걸리는 영역은 복잡 영역으로 구분될 수 있다.
또한, 각 구분된 청소 영역들은 서로 연결되지 않는 서브 청소 영역들을 포함하지 않도록 구분될 수 있다. 이는, 각각의 구분된 청소 영역들은 연속된 영역임을 의미한다.
만약, 동일한 영역 유형으로 구분되지만 서로 인접하지 않은 또는 연결되지 않은 복수의 영역들이 있다면, 이러한 복수의 영역들은 서로 분리되어 각각의 청소 영역들로 구분될 수 있다.
청소 공간을 복수의 청소 영역들로 구분하는 방법에 대한 구체적인 설명은 후술한다.
프로세서(190)는 구분된 청소 영역들을 고려하여 인공 지능 청소기(100)의 청소 동선을 결정한다(S505).
프로세서(190)는 구분된 청소 영역들마다 청소 모드를 다르게 설정할 수 있다.
청소 모드에는 일반 청소 모드, 간단 청소 모드 및 비청소 모드가 포함될 수 있다.
나아가, 청소 모드에는 강력 청소 모드(또는, 꼼꼼 청소 모드) 등이 더 포함될 수 있다.
예컨대, 일반 청소 영역으로 분류되는 청소 영역은 일반 청소 모드로 청소하고, 장애물 영역으로 분류되는 청소 영역은 간단 청소 모드로 청소할 수 있다.
프로세서(190)는 각 청소 모드마다 그에 상응하는 청소 동선을 결정할 수 있다.
예컨대, 프로세서(190)는 간단 청소 모드에서의 청소 동선 사이의 간격을 일반 청소 모드에서의 청소 동선 사이의 간격보다 넓게 설정할 수 있다. 마찬가지로, 프로세서(190)는 강력 청소 모드에서의 청소 동선 사이의 간격을 일반 청소 모드에서의 청소 동선 사이의 간격보다 좁게 설정할 수 있다.
또한, 프로세서(190)는 청소 모드에 따라서 동일한 지점의 청소 횟수를 결정할 수 있다.
예컨대, 프로세서(190)는 간단 청소 모드에 대하여는 한 지점을 최소 한 번의 청소를 수행하도록 청소 동선을 결정하고, 일반 청소 모드에 대하여는 한 지점을 최소 두 번의 청소를 수행하도록 청소 동선을 결정하고, 강력 청소 모드에 대하여는 한 지점을 최소 세 번의 청소를 수행하도록 청소 동선을 결정할 수 있다.
프로세서(190)는 각 구분된 청소 공간들 사이의 청소 우선 순위에 따라 청소 동선을 결정할 수 있다.
예컨대, 프로세서(190)는 선 순위의 청소 공간을 먼저 청소하고 후 순위의 공간을 나중에 청소하는 청소 동선을 결정할 수 있다.
프로세서(190)는 결정된 청소 동선에 따라 인공 지능 청소기(100)의 주행 구동부(170)를 제어한다(S507).
결정된 청소 동선은 메모리(150)에 저장될 수 있고, 프로세서(190)는 청소 동선을 따라 인공 지능 청소기(100)가 움직일 수 있도록 주행 구동부(170)를 제어할 수 있다.
이에 따라, 인공 지능 청소기(100)는 청소 공간을 복수의 청소 영역들로 구분하고, 각 청소 영역의 유형을 고려한 청소 동선을 따라 청소함으로써, 청소에 소요되는 시간이 줄어들며, 중간에 구속되어 청소가 중단되는 사태를 효과적으로 방지할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
구체적으로, 도 6은 수집된 청소 단위 별 청소 소요 시간을 SLAM 지도와 함께 시각화하여 나타낸 것이다.
청소 기록에는 청소 단위 별 청소 소요 시간이 포함될 수 있으며, 각 청소 단위의 청소 소요 시간은 청소 공간의 SLAM 지도의 좌표와 함께 기록될 수 있다. 예컨대, 청소 기록에는 (좌표, 청소 소요 시간)의 형태로 청소 소요 시간에 대한 정보가 포함될 수 있다.
인공 지능 청소기(100)는 사용자 단말기에 도 6에 도시한 것과 같은 SLAM 지도 및 SLAM 지도 상에서의 각 청소 단위에서의 청소 소요 시간을 나타낸 화상 정보를 제공할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
구체적으로, 도 7은 청소 공간에서의 SLAM 지도에 대하여 청소 횟수와 청소 소요 시간을 반영한 히트 맵(heat map)을 나타낸다.
인공 지능 청소기(100)는 사용자 단말기에 도 7에 도시한 것과 같은 SLAM 지도에 대한 히트 맵을 제공할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
구체적으로, 도 8은 수집된 청소 단위 별 청소 여부 또는 청소 결과 값을 SLAM 지도와 함께 시각화하여 나타낸 것이다.
특정 청소 단위의 청소 여부는 그 특정 청소 단위에 인공 지능 청소기(100)가 청소를 위하여 도달하였는지 또는 머물렀는지 여부를 의미할 수 있다. 또는, 청소 여부는 청소가 필요한지 여부를 의미할 수도 있다.
청소 결과 값은, 상기한 바와 같이, 센서를 통하여 수집한 이물질/먼지의 양 또는 변화량을 의미할 수도 있다.
또는, 청소 결과 값은 센서를 통하여 수집한 이물질/먼지의 양이 기준치 이하인지 여부에 따라 청소가 충분히 이루어졌는지를 나타내는 값을 의미할 수도 있다.
예컨대, 이물질/먼지의 양이 기준치 이하인 경우에는 청소가 충분히 이루어졌으므로 청소 여부 또는 청소 결과 값이 0으로 설정되고, 이물질/먼지의 양이 기준치를 초과하는 경우에는 청소가 필요하다는 의미로써 청소 여부 또는 청소 결과 값이 1로 설정될 수 있다.
청소 기록에는 청소 단위 별 청소 여부 또는 청소 결과 값이 포함될 수 있으며, 각 청소 단위의 청소 여부 또는 청소 결과 값은 청소 공간의 SLAM 지도의 좌표와 함께 기록될 수 있다. 예컨대, 청소 기록에는 (좌표, 청소 여부), (좌표, 청소 결과 값) 또는 (좌표, 청소 여부, 청소 결과 값)의 형태로 청소 소요 시간에 대한 정보가 포함될 수 있다.
청소 기록에는 청소 단위 별 청소 소요 시간이 포함될 수 있으며, 각 청소 단위의 청소 소요 시간은 청소 공간의 SLAM 지도의 좌표와 함께 기록될 수 있다. 예컨대, 청소 기록에는 (좌표, 청소 소요 시간)의 형태로 청소 소요 시간에 대한 정보가 포함될 수 있다.
인공 지능 청소기(100)는 사용자 단말기에 도 8에 도시한 것과 같은 SLAM 지도 및 SLAM 지도 상에서의 각 청소 단위에서의 청소 여부 또는 청소 결과 값을 나타낸 화상 정보를 제공할 수 있다.
도 9는 본 발명의 일 실시 예에 따른 청소 기록의 예시를 나타낸 도면이다.
구체적으로, 도 9는 청소 공간에서의 청소 여부 또는 청소 결과 값을 반영한 SLAM 지도를 나타낸다.
인공 지능 청소기(100)는 사용자 단말기에 도 9에 도시한 것과 같은 SLAM 지도를 제공할 수 있다.
도 10은 도 5에 도시된 청소 공간을 복수의 청소 영역들로 구분하는 단계(S503)의 일 예를 나타낸 동작 흐름도이다.
도 10을 참조하면, 프로세서(190)는 청소 영역 구분 모델이 딥 러닝 기반의 모델인지 여부를 판단한다(S1001).
청소 영역을 구분하는 모델은 딥 러닝(또는 머신 러닝) 기반 모델일 수도 있고, 규칙 기반 모델(rule-based model) 일 수도 있다.
딥 러닝(또는 머신 러닝) 기반 모델은 딥 러닝(또는 머신 러닝) 알고리즘에 의하여 학습된 인공 신경망을 의미할 수 있다.
규칙 기반 모델은 여러 변수들에 대한 조건들로 이루어진 모델을 의미할 수 있다.
이때, 규칙 기반 모델은 여러 변수들에 대한 조건들만을 가리킬 수도 있지만, 이러한 조건들을 이용하여 청소 영역들을 구분하는 과정 전체를 가리킬 수도 있다.
청소 영역 구분 모델은 메모리(150)에 저장될 수 있다.
프로세서(190)는 미리 설정된 값이나 사용자의 선택에 따라 청소 영역 구분 모델이 딥 러닝 기반 모델인지 또는 규칙 기반 모델인지 판단할 수 있다.
만약, 메모리(150)에 한 종류의 청소 영역 구분 모델만이 탑재된 경우에는, 프로세서(190)는 별도의 판단 과정 없이 탑재된 청소 영역 구분 모델을 이용하여 청소 영역을 구분할 수 있다.
단계(S1001)의 판단 결과 청소 영역 구분 모델이 딥 러닝 기반 모델이 아닌 경우, 프로세서(190)는 규칙 기반 모델에 따라 청소 영역들을 구분한다.
구체적으로, 프로세서(190)는 청소 기록들에 포함된 정보에 대한 미리 설정된 조건의 충족 여부에 따라 각 청소 단위의 영역 유형을 분류한다(S1003).
그리고, 프로세서(190)는 동일한 영역 유형을 갖는 청소 단위끼리 결합하여 하나의 청소 영역을 생성한다(S1005).
이때, 프로세서(190)는 청소 단위를 생성함에 있어서, 동일한 영역 유형을 가지면서 서로 인접한 (또는 연결된) 청소 단위끼리 결합할 수 있다.
예컨대, 청소 공간 내에 100개의 청소 단위들이 포함되어 있다고 가정한다. 각 청소 단위들에 대하여 조건들을 판단 결과 제1 내지 제 10 청소 단위는 복잡 영역, 제11 내지 제 20 청소 단위는 통로 영역, 그리고 나머지 청소 단위는 일반 청소 영역으로 분류될 수 있다.
이때, 제1 내지 제10 청소 단위에 있어서, 제1 내지 제5 청소 단위끼리만 서로 연결되고, 제6 내지 제10 청소 단위끼리만 서로 연결되는 경우라면, 프로세서(190)는 제1 내지 제5 청소 단위를 결합하여 하나의 청소 영역으로 생성하고, 제6 내지 제10 청소 단위를 결합하여 또 다른 하나의 청소 영역으로 생성할 수 있다.
이에 따라, 각 청소 영역들은 하나의 영역 유형으로 분류될 수 있고, 각 청소 영역이 분리된 (연결되지 않는) 영역들을 포함하지 않는다.
단계(S1001)의 판단 결과 청소 영역 구분 모델이 딥 러닝 기반 모델인 경우, 프로세서(190)는 딥 러닝 기반 모델에 따라 청소 영역들을 구분한다.
구체적으로, 프로세서(190)는 딥 러닝 기반의 청소 영역 구분 모델을 이용하여 복수의 청소 영역이 구분된 지도를 획득한다(S1005).
프로세서(190)는 딥 러닝 기반의 청소 영역 구분 모델에 대하여 청소 공간에 대한 지도 데이터와 해당 청소 공간에 대한 청소 기록을 입력시킨다. 그리고, 딥 러닝 기반의 청소 영역 구분 모델을 통해 입력한 데이터에 상응하는 출력으로써 청소 공간이 복수의 청소 영역들로 구분된 지도를 획득한다.
딥 러닝 기반의 청소 영역 구분 모델에 대해서는 도 12과 함께 설명한다.
도 11은 본 발명의 일 실시 예에 따른 규칙 기반의 청소 영역 구분 모델의 예시를 나타낸 도면이다.
구체적으로, 도 11은 규칙 기반의 청소 영역 구분 모델에 있어서의 청소 기록들에 포함된 정보에 대한 조건 및 조건에 따른 영역 유형 분류 결과를 나타낸다. 다만, 도 11에 도시된 것은 하나의 예시에 불과하며, 규칙 기반의 청소 영역 구분 모델은 다양한 조건들의 조합을 통하여 구현될 수 있다.
이하에서는 도 11을 참조하여 특정 청소 단위에 대하여 영역 유형을 구분하는 방법을 설명한다.
프로세서(190)는 청소 영역 구분 모델은 제1 조건으로써 구속 비율이 제1 기준치(th1) 이상인지 여부를 판단하고, 구속 비율이 제1 기준치 이상인 경우에는 해당 청소 단위를 구속 영역으로 구분할 수 있다.
구속 비율은 수집한 복수의 청소 기록들 중에서 해당 청소 단위에서 로봇 청소기가 구속된 적이 있는 청소 기록의 비율을 의미할 수 있다.
그리고, 프로세서(190)는 구속 비율이 제1 기준치 미만인 경우에는 제2 조건으로써 장애물 비율이 제2 기준치(th2) 이상인지 여부를 판단하고, 장애물 비율이 제2 기준치 이상인 경우에는 해당 청소 단위를 장애물 영역으로 구분할 수 있다.
장애물 비율은 수집한 복수의 청소 기록들 중에서 해당 청소 단위에서 장애물이 감지된 적이 있는 청소 기록의 비율을 의미할 수 있다.
그리고, 프로세서(190)는 장애물 비율이 제2 기준치 미만인 경우에는 제3 조건으로써 평균 청소 시간이 제3 기준치(th3) 이상인지 여부를 판단하고, 평균 청소 시간이 제3 기준치 이상인 경우에는 해당 청소 단위를 복잡 영역으로 구분할 수 있다.
평균 청소 시간은 수집한 복수의 청소 기록들에서 획득한 해당 청소 단위에 대한 청소 소요 시간의 평균값을 의미할 수 있다.
그리고, 프로세서(190)는 평균 청소 시간이 제3 기준치 미만인 경우에는 제4 조건으로써 평균 청소 횟수가 제4 기준치(th4) 이상인지 여부를 판단하고, 평균 청소 횟수가 제4 기준치 이상인 경우에는 해당 청소 단위를 통로 영역으로 구분하고, 평균 청소 횟수가 제4 기준치 미만인 경우에는 해당 청소 단위를 일반 청소 영역으로 구분할 수 있다.
평균 청소 시간은 수집한 복수의 청소 기록들에서 획득한 해당 청소 단위에 대한 청소 횟수의 평균값을 의미할 수 있다.
즉, 인공 지능 청소기(100)가 자주 구속되는 청소 단위는 우선적으로 구속 영역으로 분류되며, 장애물이 자주 인식되는 청소 단위는 장애물 영역으로 분류된다. 인공 지능 청소기(100)가 구속되지도 않으며 장애물 자주 인식되지도 않지만 청소 시간이 오래 걸리는 청소 단위는 복잡 영역으로 분류된다. 청소 시간이 오래 걸리지는 않지만 청소 횟수가 많은 청소 단위는 통로 영역으로 분류된다. 청소 시간이 오래 걸리지도 않으면서 청소 횟수도 낮은 청소 단위는 일반 청소 영역으로 분류된다.
도 11에서는 비율이나 평균을 도시하였지만, 다른 실시 예에서는 복수의 청소 기록들 중에서 특정 데이터를 갖는 청소 기록의 빈도가 이용될 수도 있다. 예컨대, 프로세서(190)는 특정 청소 단위가 구속된 것으로 기록된 청소 기록의 빈도가 기준치 이상인지 여부를 판단할 수 있다. 즉, 프로세서(190)는 복수의 청소 기록들을 이용하는 다양한 통계적 수치들을 이용할 수 있다.
도 12는 본 발명의 일 실시 예에 따른 딥 러닝 기반의 청소 영역 구분 모델의 예시를 나타낸 도면이다.
도 12를 참조하면, 딥 러닝 기반의 청소 영역 구분 모델(1203)은 인공 신경망으로 구성될 수 있다.
딥 러닝 기반의 청소 영역 구분 모델(1203)은 사용자마다 개별적으로 학습화된 개인화 모델일 수 있다.
딥 러닝 기반의 청소 영역 구분 모델(1203)은 세그먼테이션 모델(segmentation mode)일 수 있다.
예컨대, 딥 러닝 기반의 청소 영역 구분 모델(1203)은 FCN(Fully Convolutional Network), U-net, SegNet, DeepLab 등의 모델로 구현될 수 있다.
딥 러닝 기반의 청소 영역 구분 모델(1203)은 청소 공간에 상응하는 지도 데이터와 그 청소 공간에서의 청소 기록들(1201 및 1202)이 입력되면, 복수의 청소 영역들이 구분된 지도를 출력하는 모델이다.
청소 공간에 상응하는 지도는 청소 공간에 대한 SLAM 지도일 수 있다.
각 청소 기록들에는, 상술한 바와 같이, 청소 공간에서의 각 청소 단위에 대한, 청소 소요 시간, 청소 여부, 청소 결과 값, 청소 횟수, 장애물 감지 여부 또는 구속 발생 여부 중에서 적어도 하나 이상이 포함될 수 있다.
도 12에는 입력되는 청소 기록에 대한 데이터 자체에 지도가 포함되어 있으나, 지도 데이터와 청소 기록이 별개의 데이터로 입력될 수도 있다.
예컨대, 지도 데이터로써 SLAM 지도와, 청소 기록에 대한 데이터로써 SLAM 지도 내에서의 좌표 및 각 좌표에 대한 정보가 입력될 수 있다.
딥 러닝 기반 청소 영역 구분 모델(1203)은 학습 데이터를 이용하여 학습된다.
학습 데이터는 학습용 입력 데이터와, 학습용 입력 데이터에 상응하는 라벨링 정보로 구성될 수 있다.
학습용 입력 데이터는 청소 공간에 상응하는 지도와 그 청소 공간에서의 청소 기록들로 구성될 수 있다.
라벨링 정보는 학습용 입력 데이터에 상응하는, 복수의 청소 영역들이 구분된 지도일 수 있다.
이때, 라벨링 정보는 사용자, 개발자 또는 설계자 등에 의하여 수동으로 설정될 수 있다.
이때, 라벨링 정보에는 영역 유형이 포함될 수 있다.
딥 러닝 기반 청소 영역 구분 모델(1203)은 학습 데이터에 포함된 학습용 입력 데이터가 입력 되었을 때에, 출력 데이터와 학습용 입력 데이터에 상응하는 라벨링 정보의 차이를 좁히는 방향으로 학습될 수 있다. 이러한 출력 데이터와 라벨링 정보의 차이는 손실 함수 또는 비용 함수로 표현될 수 있으며, 딥 러닝 기반 청소 영역 구분 모델(1203)은 손실 함수를 최소화하는 방향으로 학습된다.
즉, 딥 러닝 기반 청소 영역 구분 모델(1203)은 영역 유형을 기준으로 청소 영역들을 구분하는 지도를 출력하며, 따라서 각 청소 영역들은 하나의 영역 유형으로 분류될 수 있다.
딥 러닝 기반 청소 영역 구분 모델(1203)은 인공 지능 청소기(100)의 프로세서(190)를 통해 학습되어 저장된 모델일 수도 있지만, 외부의 학습 장치(200)를 통하여 학습되고, 무선 통신부(140)를 통해 수신한 모델일 수도 있다.
특히, 인공 지능 청소기(100)는 사용자의 피드백을 획득하고, 사용자의 피드백을 기반으로 해당 청소 기록에 상응하는 라벨링 정보를 생성하고, 해당 청소 기록과 라벨링 정보를 학습 데이터로 생성할 수 있다. 그리고, 생성된 학습 데이터는 딥 러닝 기반 청소 영역 구분 모델(1203)의 갱신하는데 사용될 수 있다.
딥 러닝 기반 청소 영역 구분 모델(1203)의 갱신 또한 인공 지능 청소기(100)의 프로세서(190)를 통해 이루어질 수도 있지만, 외부의 학습 장치(200)를 통해 이루어질 수도 있다.
도 13 내지 15는 본 발명의 일 실시 예에 따라 청소 영역들이 서로 구분된 청소 공간의 예시들을 나타낸 도면이다.
구체적으로, 도 13은 SLAM 지도 상에 청소 공간을 일반 청소 영역(1301)과 복잡 영역(1302)으로 구분하여 나타낸 도면이다.
도 14는 히트 맵 상에 청소 공간을 일반 청소 영역(1401)과 복잡 영역(1402)으로 구분하여 나타낸 도면이다.
도 15는 청소 공간을 일반 청소 영역(1501 및 1503)과 통로 영역(1502)으로 구분하여 나타낸 도면이다.
도 13 내지 15과 같이, 장애물 등으로 인하여 구조가 복잡하여 청소에 많은 시간이 소요되는 청소 영역은 복잡 영역으로, 그리고 여러 공간을 잇는 통로는 통로 영역으로 구분될 수 있다.
이때, 장애물 영역, 구속 영역 또는 복잡 영역이 아님에도 불구하고 청소 횟수가 높은 영역은 통로 영역으로 구분될 수 있다. 즉, 통로 영역은 여러 공간들의 중간에 위치하여 인공 지능 청소기(100)가 각 공간들 사이를 이동하며 반복적으로 통행하게 되며, 이에 따라 통로 영역에서는 청소 횟수가 높게 나타날 수 있다.
도 16은 도 5에 도시된 청소 동선을 결정하는 단계(S505)의 일 예를 나타낸 동작 흐름도이다.
도 16을 참조하면, 프로세서(190)는 영역 유형들 사이의 우선 순위에 대한 설정 정보를 수신하였는지 판단한다(S1601).
영역 유형들 사이의 우선 순위에 대한 설정 정보는 청소 동선을 결정하기 위한 단계에서 수신할 수도 있지만, 미리 수신하여 메모리(150)에 저장하고 있을 수도 있다.
즉, 단계(S1601)는 영역 수신한 유형들 사이의 우선 순위에 대한 설정 정보가 존재하는지 여부를 판단하는 것을 의미할 수 있다.
단계(S1601)의 판단 결과 수신한 영역 유형들 사이의 우선 순위에 대한 설정 정보가 있는 경우, 프로세서(190)는 수신한 우선 순위에 대한 설정 정보를 이용하여 각 구분된 청소 영역들에 대한 청소 우선 순위를 결정한다(S1603).
단계(S1601)의 판단 결과 수신한 영역 유형들 사이의 우선 순위에 대한 설정 정보가 없는 경우, 프로세서(190)는 미리 설정된 우선 순위에 대한 설정 정보를 이용하여 각 구분된 청소 영역들에 대한 청소 우선 순위를 결정한다(S1605).
예컨대, 청소 우선 순위에 대한 설정 정보는 일반 청소 영역은 1순위, 통로 영역은 2순위, 복잡 영역은 3순위, 장애물 영역은 4순위, 구속 영역은 5순위로 설정하는 정보일 수 있다.
상술한 바와 같이, 각 구분된 청소 영역들은 하나의 영역 유형으로 분류되며, 따라서 영역 유형 사이의 청소 우선 순위를 이용하여 각 구분된 청소 영역들 사이의 청소 우선 순위를 결정할 수 있다.
프로세서(190)는 영역 유형 별 청소 모드에 대한 설정 정보를 수신하였는지 판단한다(S1607).
영역 유형 별 청소 모드에 대한 설정 정보는 청소 동선을 결정하기 위한 단계에서 수신할 수도 있지만, 미리 수신하여 메모리(150)에 저장하고 있을 수도 있다.
즉, 단계(S1607)는 영역 수신한 영역 유형 별 청소 모드에 대한 설정 정보가 존재하는지 여부를 판단하는 것을 의미할 수 있다.
단계(S1607)의 판단 결과 수신한 영역 유형 별 청소 모드에 대한 설정 정보가 있는 경우, 프로세서(190)는 수신한 청소 모드에 대한 설정 정보를 이용하여 각 구분된 청소 영역들에 대한 청소 모드를 결정한다(S1609).
단계(S1601)의 판단 결과 수신한 영역 유형 별 청소 모드에 대한 설정 정보가 없는 경우, 프로세서(190)는 미리 설정된 청소 모드에 대한 설정 정보를 이용하여 각 구분된 청소 영역들에 대한 청소 모드를 결정한다(S1611).
예컨대, 청소 모드에 대한 설정 정보는 일반 청소 영역은 일반 청소 모드, 통로 영역, 복잡 영역은 간단 청소 모드, 그리고 장애물 영역 및 구속 영역은 비청소 모드로 설정하는 정보일 수 있다.
그리고, 프로세서(190)는 각 청소 영역에 대한 우선 순위, 각 청소 영역에 대한 청소 모드 및 청소 영역 간 인접도를 고려하여 청소 동선을 결정한다(S1613).
각 청소 영역들은 하나의 영역 유형으로 분류가 되는데, 복수의 청소 영역들이 동일한 영역 유형으로 분류될 수 있다. 즉, 서로 다른 청소 영역임에도 동일한 영역 유형으로 분류됨에 따라 동일한 청소 우선 순위 및 청소 모드가 설정될 수 있다.
이에, 프로세서(190)는 추가적으로 청소 영역 간 인접도를 고려하여 청소 동선을 결정할 수 있다.
예컨대, 제1 내지 제3 청소 영역이 제1 청소 영역, 제2 청소 영역 및 제3 청소 영역의 순서대로 일렬로 인접하며, 모두 동일한 영역 유형으로 분류된 경우를 가정한다면, 프로세서(190)는 청소 동선을 제1 청소 영역, 제2 청소 영역 및 제3 청소 영역의 순서로 혹은 그 역순으로 결정할 수 있다.
또한, 프로세서(190)는 청소 동선을 결정함에 있어서 인공 지능 청소기(100)의 현재 위치 또는 인공 지능 청소기(100)의 충전 스테이션의 위치를 추가적으로 고려할 수 있다.
상기의 예시에서, 인공 지능 청소기(100)의 충전 스테이션이 제3 청소 영역에 위치한 경우라면, 프로세서(190)는 청소 동선을 제3 청소 영역, 제2 청소 영역 및 제1 청소 영역의 순서로 결정할 수 있다. 다만, 이 경우에도 마찬가지로, 프로세서(190)는 청소 동선을 제1 청소 영역, 제2 청소 영역 및 제3 청소 영역의 순서로 결정할 수 있다.
도 17 및 18은 본 발명의 일 실시 예에서 사용자의 입력을 통해 청소 모드를 설정하는 예시를 나타낸 도면이다.
도 17을 참조하면, 프로세서(190)는 무선 통신부(140)를 통해 사용자 단말기(1701)에 청소 모드 설정창(1702)을 제공할 수 있다. 그리고, 프로세서(190)는 무선 통신부(140)를 통해 사용자 단말기(1701)로부터 영역 유형 별 또는 특정 영역 유형에 대한 청소 모드에 대한 설정 정보를 수신할 수 있다.
이때, 청소 모드 설정창(1702)에는 청소 공간에 대하여 구분된 청소 영역들이 SLAM 지도에 표시(1703)되고, 특정 영역 유형(예컨대, 구속 영역)에 대한 청소 모드를 설정할 수 있는 항목들(1704)이 포함될 수 있다.
사용자 단말기(1701)에 제공하는 청소 모드 설정창(1702)은 그래픽 유저 인터페이스(GUI)로 제공될 수 있다.
예컨대, 청소 모드를 설정할 수 있는 항목들(1704)에는 구속 영역을 비청소 모드로 설정하는 항목, 구속 영역을 간단 청소 모드로 설정하는 항목 및 구속 영역을 일반 청소 모드로 설정하는 항목이 포함될 수 있다.
도 18을 참조하면, 프로세서(190)는 스피커(미도시)를 통하여 사용자(1802)에 영역 유형 별 또는 특정 영역 유형에 대한 대한 청소 모드를 묻는 음성(1801)을 출력하고, 마이크로폰(120)을 통해 사용자의 영역 유형 별 또는 특정 영역 유형에 대한 청소 모드를 설정하는 응답(1803)을 수신할 수 있다.
도 19는 본 발명의 일 실시 예에서 사용자의 입력을 통해 청소 우선 순위를 설정하는 예시를 나타낸 도면이다.
도 19를 참조하면, 프로세서(190)는 무선 통신부(140)를 통해 사용자 단말기(1901)에 우선 순위 설정창(1902)을 제공할 수 있다. 그리고, 프로세서(190)는 무선 통신부(140)를 통해 사용자 단말기(1901)로부터 영역 유형 별 또는 특정 영역 유형에 대한 청소 우선 순위에 대한 설정 정보를 수신할 수 있다.
이때, 우선 순위 설정창(1902)에는 청소 공간에 대하여 구분된 청소 영역들이 SLAM 지도에 표시(1903)되고, 특정 영역 유형(예컨대, 구속 영역)에 대한 청소 우선 순위를 설정할 수 있는 항목들(1904)이 포함될 수 있다.
사용자 단말기(1901)에 제공하는 청소 모드 설정창(1902)은 그래픽 유저 인터페이스(GUI)로 제공될 수 있다.
예컨대, 청소 우선 순위를 설정할 수 있는 항목들(1904)에는 구속 영역의 구분 없이 청소하도록 설정하는 항목, 구속 영역의 우선 순위를 1순위로 부여하는 항목 및 구속 영역의 우선 순위를 마지막 순위로 부여하는 항목이 포함될 수 있다.
이때, 특정 영역 유형에 대하여 영역 구분 없이 청소하도록 설정하는 것은, 해당 영역 유형에 대하여 우선 순위를 부여하지 않는 것을 의미할 수 있다. 즉, 우선 순위가 부여되지 않은 영역은 다른 영역 유형들과 순위 비교가 이루어지지 않는다.
별도로 도시하지는 않았지만, 프로세서(190)는 스피커(미도시)를 통하여 사용자에 영역 유형 별 또는 특정 영역 유형에 대한 대한 청소 우선 순위를 묻는 음성을 출력하고, 마이크로폰(120)을 통해 사용자의 영역 유형 별 또는 특정 영역 유형에 대한 청소 우선 순위를 설정하는 응답을 수신할 수 있다.
도 20 및 21은 본 발명의 일 실시 예에 따른 인공 지능 청소기(100)의 청소 동선의 예시를 나타낸 도면이다.
도 20 및 21에 도시된 청소 공간은 두 개의 방(2002, 2003)과 그 사이에 위치한 하나의 통로(2004)를 포함하고 있다.
도 20은 청소 공간을 두 개의 방(2002, 2003)과 통로(2004)로 구분하지 않은 경우 또는 두 개의 방(2002, 2003)과 통로(2004) 사이의 청소 우선 순위가 서로 차이나지 않는 경우에 대한 청소 동선(2001)을 나타낸다.
이 경우, 프로세서(190)는 청소 동선(2001)을 결정함에 있어서 두 개의 방(2002, 2003)과 통로(2004)를 서로 구분하지 않는다. 그러므로 왼쪽 방(2002)에서 청소를 시작하더라도, 통로(2004)를 반복적으로 통행하면서 왼쪽 방(2002)과 오른쪽 방(2003)을 비순차적으로 청소한다.
이때, 인공 지능 청소기(100)는 통로(2004)를 여러 번 통행하며, 그에 따라 통로(2004)에서는 불필요하게 청소 횟수가 늘어날 수 있다. 또한, 왼쪽 방(2002)에 대한 청소 도중에 오른쪽 방(2003) 및 통로(2004)에 대한 청소가 이루어져서 청소의 동선이 비효율적이다. 또한, 사용자에게는 왼쪽 방(2002)의 청소가 마무리되지 않았는데 다른 공간으로 이동하는 것을 보고 청소기의 동작 신뢰도에 의문을 품을 수도 있다.
다만, 상술한 바와 같이, 프로세서(190)가 청소 공간을 여러 청소 영역들(2002, 2003 및 2004)로 구분하였다고 하더라도, 이러한 청소 영역들(2002, 2003 및 2004)이 서로 동일한 청소 우선 순위가 설정되거나, 우선 순위를 부여하지 않도록 설정한 경우에는 도 20에 도시된 바와 같이 동선(2001)이 결정될 수 있다.
도 21은 청소 공간을 두 개의 방(2002, 2003)과 통로(2004)로 구분하고, 통로(2004)를 통로 영역으로 구분하고, 통로 영역의 청소 우선 순위가 낮게 설정된 경우에 대한 청소 동선(2101)을 나타낸다.
이 경우, 프로세서(190)는 청소 동선(2101)을 결정함에 있어서 두 개의 방(2002, 2003)과 통로(2004)를 서로 구분한다. 그러므로 왼쪽 방(2002)에서 청소를 시작하였을 때, 통로(2004)에 인접하게 위치하더라도 우선 왼쪽 방(2002)의 청소를 마무리하고, 통로(2004)를 거쳐 오른쪽 방(2003)으로 이동하여 오른쪽 방(2003)을 청소하고, 마지막으로 통로(2004)를 청소한다.
이에 따라, 인공 지능 청소기(100)는 불필요하게 통로(2004)를 통행하지 않으며, 청소 우선 순위가 낮은 통로(2004)에 대하여 후 순위로 청소할 수 있다. 또한, 왼쪽 방(2002)에 대한 청소가 마쳐진 이후에 오른쪽 방(2003) 및 통로(2004)에 대하여 순차적으로 청소가 이루어져서 청소의 동선이 효율적이다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.

Claims (14)

  1. 인공 지능 청소기에 있어서,
    청소 공간의 SLAM(simultaneous localization and mapping) 지도를 저장하는 메모리;
    상기 인공 지능 청소기를 주행시키는 주행 구동부; 및
    상기 청소 공간에 대한 복수의 청소 기록들을 수집하고, 상기 SLAM 지도 및 상기 수집된 복수의 청소 기록들을 이용하여 상기 청소 공간을 복수의 청소 영역들로 구분하고, 상기 구분된 청소 영역들을 고려하여 상기 인공 지능 청소기의 청소 동선을 결정하고, 상기 결정된 청소 동선에 따라 상기 주행 구동부를 제어하는 프로세서
    를 포함하는, 인공 지능 청소기.
  2. 청구항 1에 있어서,
    상기 구분된 복수의 청소 영역들 각각은
    미리 설정된 복수의 영역 유형들 중에서 하나로 분류되고, 서로 연결되지 않는 서브 청소 영역들을 포함하지 않는, 인공 지능 청소기.
  3. 청구항 2에 있어서,
    상기 복수의 영역 유형들은
    장애물 영역, 구속 영역, 복잡 영역 또는 통로 영역 중에서 적어도 하나 이상과 기본 청소 영역을 포함하는, 인공 지능 청소기.
  4. 청구항 3에 있어서,
    상기 프로세서는
    상기 기본 청소 영역으로 분류된 제1 청소 영역을 우선적으로 청소하고, 그 이후에 상기 기본 청소 영역으로 분류되지 않는 제2 청소 영역을 청소하도록 상기 청소 동선을 결정하는, 인공 지능 청소기.
  5. 청구항 2에 있어서,
    상기 프로세서는
    상기 각 영역 유형 별 청소 모드를 구분하여 설정하고, 상기 설정된 청소 모드에 따라 상기 주행 제어부를 제어하고,
    상기 청소 모드는
    적어도 일반 청소 모드, 간단 청소 모드 및 비청소 모드를 포함하는, 인공 지능 청소기.
  6. 청구항 5에 있어서,
    상기 프로세서는
    상기 영역 유형들 사이의 우선 순위를 결정하고, 상기 결정된 우선 순위, 상기 설정된 청소 모드 및 상기 구분된 청소 영역들 간 인접도를 고려하여 상기 청소 동선을 결정하는, 인공 지능 청소기.
  7. 청구항 6에 있어서,
    사용자 단말기와 통신하는 통신부
    를 더 포함하고,
    상기 프로세서는
    상기 통신부를 통하여 상기 사용자 단말기에 상기 구분된 청소 영역들에 대한 정보를 제공하는, 인공 지능 청소기.
  8. 청구항 7에 있어서,
    상기 프로세서는
    상기 통신부를 통하여 상기 사용자 단말기로부터 상기 각 유형 별 청소 모드에 대한 청소 모드 설정 정보를 수신하면, 상기 수신한 청소 모드 설정 정보에 따라 상기 각 영역 유형 별 청소 모드를 설정하고, 상기 설정된 청소 모드에 따라 상기 주행 제어부를 제어하는, 인공 지능 청소기.
  9. 청구항 7에 있어서,
    상기 프로세서는
    상기 통신부를 통하여 상기 사용자 단말기로부터 상기 우선 순위에 대한 우선 순위 설정 정보를 수신하면, 상기 수신한 우선 순위 설정 정보에 따라 상기 영역 유형들 사이의 상기 우선 순위를 설정하고, 상기 설정된 우선 순위를 고려하여 상기 청소 동선을 결정하는, 인공 지능 청소기.
  10. 청구항 2에 있어서,
    상기 각 복수의 청소 기록들은
    상기 청소 공간에서의 각 청소 단위에 대한, 청소 소요 시간, 청소 여부, 청소 결과 값, 청소 횟수, 장애물 감지 여부 또는 구속 발생 여부 중에서 적어도 하나 이상을 포함하는, 인공 지능 청소기.
  11. 청구항 10에 있어서,
    상기 프로세서는
    상기 청소 공간을 상기 복수의 청소 영역들로 구분할 때, 상기 청소 소요 시간, 상기 청소 여부, 상기 청소 횟수, 상기 장애물 감지 여부 또는 상기 구속 발생 여부 중에서 적어도 하나 이상에 대한 미리 설정된 조건을 이용하여 상기 각 청소 단위를 상기 미리 설정된 영역 유형들 중 하나로 분류하는, 인공 지능 청소기.
  12. 청구항 10에 있어서,
    상기 프로세서는
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 영역 구분 모델에 상기 청소 공간에 상응하는 지도 데이터와 상기 청소 기록들을 입력시키고, 그 결과로써 상기 청소 공간이 상기 복수의 청소 영역들로 구분된 지도 데이터를 획득하고, 상기 획득한 지도 데이터를 이용하여 상기 복수의 청소 영역들에 대한 구분 정보를 획득하고,
    상기 학습된 영역 구분 모델은
    인공 신경망으로 구성되는, 인공 지능 청소기.
  13. 인공 지능 청소기의 동작 방법에 있어서,
    청소 공간에 대한 복수의 청소 기록들을 수집하는 단계;
    상기 청소 공간의 SLAM(simultaneous localization and mapping) 지도 및 상기 수집된 복수의 청소 기록들을 이용하여 상기 청소 공간을 복수의 청소 영역들로 구분하는 단계;
    상기 구분된 청소 영역들을 고려하여 상기 인공 지능 청소기의 청소 동선을 결정하는 단계; 및
    상기 결정된 청소 동선에 따라 상기 인공 지능 청소기를 주행시키는 주행 구동부를 제어하는 단계
    를 포함하는, 인공 지능 청소기의 동작 방법.
  14. 인공 지능 청소기의 동작 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
    상기 인공 지능 청소기의 동작 방법은
    청소 공간에 대한 복수의 청소 기록들을 수집하는 단계;
    상기 청소 공간의 SLAM(simultaneous localization and mapping) 지도 및 상기 수집된 복수의 청소 기록들을 이용하여 상기 청소 공간을 복수의 청소 영역들로 구분하는 단계;
    상기 구분된 청소 영역들을 고려하여 상기 인공 지능 청소기의 청소 동선을 결정하는 단계; 및
    상기 결정된 청소 동선에 따라 상기 인공 지능 청소기를 주행시키는 주행 구동부를 제어하는 단계
    를 포함하는, 기록 매체.
PCT/KR2019/003636 2019-03-28 2019-03-28 인공 지능 청소기 및 그의 동작 방법 WO2020196962A1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
PCT/KR2019/003636 WO2020196962A1 (ko) 2019-03-28 2019-03-28 인공 지능 청소기 및 그의 동작 방법
EP19921990.8A EP3949817B1 (en) 2019-03-28 2019-03-28 Artificial intelligence cleaner and operation method thereof
US16/491,118 US11399685B2 (en) 2019-03-28 2019-03-28 Artificial intelligence cleaner and method of operating the same
AU2019437767A AU2019437767B2 (en) 2019-03-28 2019-03-28 Artificial intelligence cleaner and operation method thereof
KR1020190089911A KR20190094318A (ko) 2019-03-28 2019-07-24 인공 지능 청소기 및 그의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/003636 WO2020196962A1 (ko) 2019-03-28 2019-03-28 인공 지능 청소기 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
WO2020196962A1 true WO2020196962A1 (ko) 2020-10-01

Family

ID=67624568

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/003636 WO2020196962A1 (ko) 2019-03-28 2019-03-28 인공 지능 청소기 및 그의 동작 방법

Country Status (5)

Country Link
US (1) US11399685B2 (ko)
EP (1) EP3949817B1 (ko)
KR (1) KR20190094318A (ko)
AU (1) AU2019437767B2 (ko)
WO (1) WO2020196962A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950617A (zh) * 2021-03-24 2021-06-11 上海海事大学 基于连续旋转图像增强和条件生成对抗网络的潮流机叶片附着物识别方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102331563B1 (ko) * 2019-08-23 2021-11-26 엘지전자 주식회사 구역별 오염정보를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법
KR102255712B1 (ko) 2019-08-26 2021-05-26 엘지전자 주식회사 오염로그를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법
KR20210040613A (ko) * 2019-10-04 2021-04-14 삼성전자주식회사 전자 장치 및 그의 제어 방법
US20210282613A1 (en) * 2020-03-12 2021-09-16 Irobot Corporation Control of autonomous mobile robots
KR20220004453A (ko) * 2020-07-03 2022-01-11 삼성전자주식회사 객체를 인식하는 전자 장치 및 그 동작 방법
CN115429154A (zh) * 2021-06-04 2022-12-06 尚科宁家(中国)科技有限公司 一种清洁机器人的清洁控制方法和清洁机器人
KR20240110586A (ko) * 2021-12-03 2024-07-15 엘지전자 주식회사 인공 지능 청소기 및 그의 동작 방법
CN116919235A (zh) * 2022-04-01 2023-10-24 追觅创新科技(苏州)有限公司 区域清洁的控制方法和装置、存储介质及电子装置
US20240180383A1 (en) * 2022-12-06 2024-06-06 Robert Bosch Gmbh Lifelong robot learning for mobile robots

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100664059B1 (ko) 2004-12-04 2007-01-03 엘지전자 주식회사 로봇청소기의 장애물 위치 인식시스템 및 방법
KR20130030943A (ko) * 2011-09-20 2013-03-28 엘지전자 주식회사 로봇 청소기
KR20130091879A (ko) * 2012-02-09 2013-08-20 삼성전자주식회사 로봇 청소기의 청소 작업을 제어하기 위한 장치 및 방법
KR20150004568A (ko) * 2013-07-03 2015-01-13 삼성전자주식회사 자율 이동 로봇의 위치 인식 방법
US20160313741A1 (en) * 2013-12-19 2016-10-27 Aktiebolaget Electrolux Prioritizing cleaning areas
KR20180134230A (ko) * 2017-06-08 2018-12-18 삼성전자주식회사 청소 로봇 및 그 제어 방법

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4408328C2 (de) * 1994-03-11 2002-09-26 Siemens Ag Verfahren zum Aufbau einer zellular strukturierten Umgebungskarte von einer selbstbeweglichen mobilen Einheit, welche sich mit Hilfe von auf Wellenreflexion basierenden Sensoren orientiert
DE19641261C1 (de) * 1996-10-07 1998-02-12 Siemens Ag Verfahren zur Bewertung der Meßqualität eines Entfernungsmeßsensors an einem autonomen mobilen System
SE0100924D0 (sv) * 2001-03-15 2001-03-15 Electrolux Ab Energy-efficient navigation of an autonomous surface treatment apparatus
US7015831B2 (en) * 2002-12-17 2006-03-21 Evolution Robotics, Inc. Systems and methods for incrementally updating a pose of a mobile device calculated by visual simultaneous localization and mapping techniques
US7805220B2 (en) * 2003-03-14 2010-09-28 Sharper Image Acquisition Llc Robot vacuum with internal mapping system
US20050010331A1 (en) * 2003-03-14 2005-01-13 Taylor Charles E. Robot vacuum with floor type modes
US20050273967A1 (en) * 2004-03-11 2005-12-15 Taylor Charles E Robot vacuum with boundary cones
US8930023B2 (en) * 2009-11-06 2015-01-06 Irobot Corporation Localization by learning of wave-signal distributions
US9250081B2 (en) * 2005-03-25 2016-02-02 Irobot Corporation Management of resources for SLAM in large environments
KR100877072B1 (ko) * 2007-06-28 2009-01-07 삼성전자주식회사 이동 로봇을 위한 맵 생성 및 청소를 동시에 수행하는 방법및 장치
JP4788722B2 (ja) * 2008-02-26 2011-10-05 トヨタ自動車株式会社 自律移動ロボット、自己位置推定方法、環境地図の生成方法、環境地図の生成装置、及び環境地図のデータ構造
US8961695B2 (en) * 2008-04-24 2015-02-24 Irobot Corporation Mobile robot for cleaning
KR101633889B1 (ko) * 2009-02-18 2016-06-28 삼성전자주식회사 격자지도를 이용한 경로 생성 장치 및 방법
KR20110119118A (ko) * 2010-04-26 2011-11-02 엘지전자 주식회사 로봇 청소기, 및 이를 이용한 원격 감시 시스템
EP3327697A1 (en) * 2010-09-24 2018-05-30 iRobot Corporation Systems and methods for vslam optimization
US8798840B2 (en) * 2011-09-30 2014-08-05 Irobot Corporation Adaptive mapping with spatial summaries of sensor data
TWM451103U (zh) * 2012-10-30 2013-04-21 Agait Technology Corp 行走裝置
US9020637B2 (en) * 2012-11-02 2015-04-28 Irobot Corporation Simultaneous localization and mapping for a mobile robot
DE102013207904A1 (de) * 2013-04-30 2014-10-30 Bayerische Motoren Werke Aktiengesellschaft Bereitstellen einer effizienten Umfeldkarte für ein Fahrzeug
KR102376150B1 (ko) * 2015-03-05 2022-03-21 삼성전자주식회사 청소 로봇 및 그 제어 방법
KR102431996B1 (ko) * 2015-10-12 2022-08-16 삼성전자주식회사 로봇 청소기 및 그 제어 방법
JP6559535B2 (ja) * 2015-10-22 2019-08-14 株式会社東芝 障害物マップ生成装置、その方法、及び、そのプログラム
WO2017200353A1 (ko) * 2016-05-20 2017-11-23 엘지전자 주식회사 로봇 청소기
KR102235271B1 (ko) * 2017-02-27 2021-04-01 엘지전자 주식회사 이동 로봇 및 그 제어방법
JP6899668B2 (ja) * 2017-03-01 2021-07-07 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 自走型掃除機の制御方法、制御装置、制御プログラム及び自走型掃除機
KR102021833B1 (ko) * 2017-09-26 2019-09-17 엘지전자 주식회사 인공지능을 이용한 이동 로봇 및 이동 로봇의 제어방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100664059B1 (ko) 2004-12-04 2007-01-03 엘지전자 주식회사 로봇청소기의 장애물 위치 인식시스템 및 방법
KR20130030943A (ko) * 2011-09-20 2013-03-28 엘지전자 주식회사 로봇 청소기
KR20130091879A (ko) * 2012-02-09 2013-08-20 삼성전자주식회사 로봇 청소기의 청소 작업을 제어하기 위한 장치 및 방법
KR20150004568A (ko) * 2013-07-03 2015-01-13 삼성전자주식회사 자율 이동 로봇의 위치 인식 방법
US20160313741A1 (en) * 2013-12-19 2016-10-27 Aktiebolaget Electrolux Prioritizing cleaning areas
KR20180134230A (ko) * 2017-06-08 2018-12-18 삼성전자주식회사 청소 로봇 및 그 제어 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950617A (zh) * 2021-03-24 2021-06-11 上海海事大学 基于连续旋转图像增强和条件生成对抗网络的潮流机叶片附着物识别方法

Also Published As

Publication number Publication date
EP3949817A1 (en) 2022-02-09
EP3949817B1 (en) 2024-05-01
US11399685B2 (en) 2022-08-02
AU2019437767B2 (en) 2023-09-28
EP3949817A4 (en) 2022-12-07
KR20190094318A (ko) 2019-08-13
US20210330163A1 (en) 2021-10-28
AU2019437767A1 (en) 2021-11-18

Similar Documents

Publication Publication Date Title
WO2020196962A1 (ko) 인공 지능 청소기 및 그의 동작 방법
WO2020213750A1 (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
WO2019151845A2 (ko) 에어컨
WO2020218632A1 (ko) 인공지능 장치
WO2021010509A1 (ko) 인공지능 조리 기기
WO2021025217A1 (ko) 인공지능 서버
WO2020138624A1 (en) Apparatus for noise canceling and method for the same
WO2018097574A1 (ko) 이동 로봇 및 그 제어방법
WO2018038553A1 (ko) 이동 로봇 및 그 제어방법
WO2021006405A1 (ko) 인공지능 서버
WO2020204221A1 (ko) 공기 조화기
WO2019151846A2 (ko) 공기 청정기
AU2019262468B2 (en) A plurality of robot cleaner and a controlling method for the same
WO2018139796A1 (ko) 이동 로봇 및 그의 제어 방법
WO2021010757A1 (en) Mobile robot and control method thereof
WO2021020621A1 (ko) 인공지능 무빙 에이전트
WO2020213758A1 (ko) 음성으로 상호작용하는 인공 지능 장치 및 그 방법
WO2020230933A1 (ko) 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
WO2019182265A1 (ko) 인공 지능 기기 및 그의 동작 방법
WO2021006404A1 (ko) 인공지능 서버
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
WO2020138523A1 (ko) 세탁물 처리 장치 및 그의 세탁 코스 결정 방법
WO2019212240A1 (en) A plurality of robot cleaner and a controlling method for the same
WO2020184748A1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2020184753A1 (ko) 음성 추출 필터를 이용하여 음성 제어를 수행하는 인공 지능 장치 및 그 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19921990

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019921990

Country of ref document: EP

Effective date: 20211028

ENP Entry into the national phase

Ref document number: 2019437767

Country of ref document: AU

Date of ref document: 20190328

Kind code of ref document: A