KR20210079610A

KR20210079610A - 인공 지능 청소 로봇 및 방법

Info

Publication number: KR20210079610A
Application number: KR1020190171584A
Authority: KR
Inventors: 채종훈; 이규호
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-20
Filing date: 2019-12-20
Publication date: 2021-06-30
Also published as: US11654554B2; US20210187732A1

Abstract

본 발명은 선행 청소 내역을 고려하여 청소 계획을 수립하는 인공 지능 청소 로봇 및 그 방법에 관한 것으로, 청소 로봇의 동작 방법은 청소 영역을 복수 개의 구역으로 분할하는 동작, 상기 청소 로봇이 수행한 선행 청소 내역을 메모리에 저장하는 동작, 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하는 동작 및 수립된 청소 계획에 따라 청소를 수행하도록 제어하는 동작을 포함할 수 있으며, 이에 따라 선행 청소 내역을 반영하여 청소 계획을 수립함으로써 청소 로봇의 청소 효율을 증가시킬 수 있다.

Description

인공 지능 청소 로봇 및 방법{ARTIFICIAL INTELLIGENCE CLEANING ROBOT AND METHOD THEREOF}

다양한 실시 예들은 선행 청소 내역을 고려하여 청소 계획을 수립하는 인공 지능 청소 로봇 및 그 방법에 관한 것이다.

청소 로봇은 카메라, 거리 감지 센서, 라이다(Lidar) 센서 등과 같은 다양한 센서를 구비하고, 사람의 직접 조작없이 스스로 집안의 곳곳을 이동하고, 가구나 장애물들을 피하면서 청소를 해주기 때문에 사용자에게 상당한 편리를 제공해 줄 수 있는 장치이다.

청소 로봇은 일반적으로 미리 설정된 복수의 청소 방식, 예를 들면 지그재그 청소, 꼼꼼 청소, 집중 청소와 같은 청소 방식을 제공할 수 있고, 사용자의 입력에 기초하여 선택된 청소 방식에 따라 청소를 수행할 수 있다.

하지만 종래의 청소 로봇은 단순히 설정된 청소 방식에 따라 청소를 수행할 뿐, 청소를 좀 더 효율적으로 수행하기 위하여 새로운 청소 계획을 설정하고, 그에 따라 청소를 수행하지는 못한다.

청소 로봇의 청소 효율을 증가시키기 위하여 선행 청소 내역을 고려하여 청소 계획을 수립하고 청소를 수행할 필요가 있다.

따라서, 본 발명의 다양한 실시 예는 청소 방식, 물, 세제 또는 배터리와 같은 자원 부족으로 인한 종료 또는 사용자의 강제 종료와 같은 선행 청소 수행 시 발생한 내역을 반영하여 현재 청소 계획을 수립하는 방법을 제공할 수 있다.

본 발명의 다양한 실시 예는 선행 업무에서 발생한 내역을 반영하여 현재 청소 계획을 수립하고, 수립된 계획에 따라 청소를 수행하는 청소 로봇을 제공할 수 있다.

본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시의 다양한 실시 예들에 따르면, 청소 로봇은 사용자로부터 명령 및 설정 정보를 획득하는 입력부, 선행 청소 내역을 저장하는 메모리 및 상기 입력부 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 청소 영역을 복수 개의 구역으로 분할하고, 상기 청소 로봇이 수행한 선행 청소 내역을 상기 메모리에 저장하고, 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하고, 수립된 청소 계획에 따라 청소를 수행하도록 제어할 수 있다.

본 개시의 다양한 실시 예들에 따르면, 청소 로봇의 동작 방법은 청소 영역을 복수 개의 구역으로 분할하는 동작, 상기 청소 로봇이 수행한 선행 청소 내역을 메모리에 저장하는 동작, 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하는 동작 및 수립된 청소 계획에 따라 청소를 수행하도록 제어하는 동작을 포함할 수 있다.

다양한 실시 예들에 따라, 선행 청소 내역을 반영하여 청소 계획을 수립함으로써 청소 로봇의 청소 효율을 증가시킬 수 있다.

다양한 실시 예들에 따라, 선행 청소 내역을 반영하여 우선적으로 청소가 필요한 영역에 대하여 청소를 수행할 수 있도록 함으로써 사용자의 만족도를 높일 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 다양한 실시 예들에 따른 AI(artificial intelligence) 시스템을 도시한 도면이다.
도 2는 다양한 실시 예에 따른 인공지능 기술을 포함하는 AI 서버를 도시한 도면이다.
도 3은 다양한 실시 예에 따른 선행 청소 내역에 기초하여 청소 계획을 수립하는 청소 로봇을 도시한 도면이다.
도 4는 완전 연결된 인공 신경망 구조의 일 예를 도시한 도면이다.
도 5는 심층 신경망의 일종인 합성곱 신경망(convolutional neural network, CNN) 구조의 일 예를 도시한 도면이다.
도 6은 맵 생성부에 의해 생성된 구역 지도의 일 예를 도시한 도면이다.
도 7은 다양한 실시 예들에 따른 청소 로봇의 사시도이다.
도 8은 다양한 실시 예들에 따른 청소 로봇의 저면도이다.
도 9는 다양한 실시 예에 따라, 청소 로봇의 프로세서 및/또는 러닝 프로세서가 본 개시에서 제안하는 선행 청소 내역을 반영하여 현재의 청소 계획을 수립하기 위한 기능들을 도시한 블록도이다.
도 10은 다양한 실시 예들에 따른, 청소 로봇이 선행 청소 내역에 기초하여 청소 계획을 수립하고 청소를 수행하는 동작을 도시한 흐름도이다.
도 11은 다양한 실시 예들에 따른, 청소 로봇이 청소 계획을 수립하기 위하여 수행하는 동작으로 도시한 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.

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' 또는 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, '모듈' 또는 '부'는 소프트웨어 구성요소 또는 FPGA(field programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미할 수 있으며, '부' 또는 '모듈'은 어떤 역할들을 수행한다. 그렇지만 '부' 또는 '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함할 수 있다. 구성요소들과 '부' 또는 '모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.

본 발명의 몇몇 실시예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM, 또는 당업계에 알려진 임의의 다른 형태의 기록 매체에 상주할 수도 있다. 예시적인 기록 매체는 프로세서에 커플링 되며, 그 프로세서는 기록 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 기록 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 기록 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC은 사용자 단말기 내에 상주할 수도 있다.

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.

도 1은 다양한 실시 예들에 따른 AI(artificial intelligence) 시스템(1)을 도시한 도면이다.

도 1을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(5)를 통해 연결될 수 있다.

클라우드 네트워크(5)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(5)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

다양한 실시 예들에 따라, AI 시스템(1)을 구성하는 각 전자 장치들(100a 내지 100e, 200)은 클라우드 네트워크(5)를 통해 서로 연결될 수 있다. 일 실시 예에 따라, 각 전자 장치들(100a 내지 100e, 200)은 기지국 또는 AP(access point)를 통해서 서로 통신할 수도 있지만, 기지국 또는 AP를 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 인공지능 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 인공지능 기술을 포함하는 전자 장치들인 로봇(100a), 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(5)를 통하여 연결되고, 연결된 전자 장치들(100a 내지 100e)의 인공지능 프로세싱의 적어도 일부를 도울 수 있다.

다양한 실시 예들에 따라, AI 서버(200)는 전자 장치들(100a 내지 100e)을 대신하여 기계 학습 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 전자 장치들(100a 내지 100e)에 전송할 수 있다.

다양한 실시 예들에 따라, AI 서버(200)는 전자 장치들(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 전자 장치들(100a 내지 100e)로 전송할 수 있다.

다른 다양한 실시 예들에 따라, 전자 장치들(100a 내지 100e)은 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

도 2는 다양한 실시 예에 따른 인공지능 기술을 포함하는 AI 서버(200)를 도시한 도면이다.

도 2를 참조하면, AI 서버(200)는 기계 학습 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수도 있다. 일 실시 예에 따라, AI 서버(200)는 청소 로봇(100)의 일부 구성으로 포함될 수 있다. 또한, AI 서버(200)는 인공지능 프로세싱 중 적어도 일부를 청소 로봇(100)과 함께 수행할 수도 있다. 일 실시 예로, 청소 로봇(100)의 컴퓨팅 파워가 부족할 경우 청소 로봇(100)은 AI 서버(200)에 인공지능 프로세싱 중 적어도 일부 또는 전부를 수행하도록 요청할 수 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260)를 포함할 수 있다.

통신부(210)는 청소 로봇(100) 등의 외부 장치와 데이터를 송수신할 수 있다. 일실시 예에 따라 통신부(210)는 클라우드 네트워크(5)를 통해 외부 장치와 데이터를 송수신할 수 있거나, 다른 실시 예에 따라 통신부(210)는 외부 장치와 직접 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킨 학습 모델을 생성할 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, 청소 로봇(100)과 같은 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 다양한 실시 예에 따른 선행 청소 내역에 기초하여 청소 계획을 수립하는 청소 로봇(100)을 도시한 도면이다.

청소 로봇(100)은 차량 또는 전기차를 포함하는 이동 가능한 기기일 수 있다. 또는 청소 로봇(100)은 상술한 이동 가능한 기기에 구비되어 부여된 기능을 수행하기 위한 하나의 부속품, 칩, 모듈, ECU(electronic control unit)일 수 있다. 인공지능 기술을 포함하는 청소 로봇(100)은 AI 장치로도 칭해질 수 있다.

도 3을 참조하면, 청소 로봇(100)은 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(160), 맵 생성부(170), 구동부(180) 및 프로세서(190)를 포함할 수 있다.

다양한 실시 예들에 따르면, 통신부(110)는 유무선 통신 기술을 이용하여 다른 전자 장치나 AI 서버(200)와 같은 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G (fifth generation communication), WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), DSRC(dedicated short range communication), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication)을 포함하는 무선 통신 기술 또는 LAN(local area network), WAN(wide area network), MAN(metropolitan area network), 이더넷을 포함하는 유선 통신 기술을 이용할 수 있다.

다양한 실시 예들에 따르면, 입력부(120)는 다양한 종류의 데이터를 획득할 수 있다. 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보 또는 명령을 입력 받기 위한 사용자 입력부를 포함할 수 있다. 여기서, 카메라나 마이크로폰은 일종의 센서로 취급할 수 있고, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다. 따라서, 카메라나 마이크로폰은 센싱부(140)에 포함될 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(190) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징 점(input feature)을 추출할 수 있다.

다양한 실시 예들에 따르면, 러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 청소 로봇(100)에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 출력되거나 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 다른 컴포넌트, 디바이스, 전자 장치 또는 전자 장치와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함 할 수 있다.

러닝 프로세서(130)는 청소 로봇(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(160)를 사용하여 구현될 수 있다.

선택적으로 또는 부가 적으로, 러닝 프로세서(130)는 청소 로봇(100)에 직접 결합된 외부 메모리 또는 청소 로봇(100)과 통신하는 서버에서 유지되는 메모리와 같이 청소 로봇(100)과 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 청소 로봇(100)에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 지도 학습, 비지도 학습, 강화 학습, 데이터 마이닝, 예측 분석 또는 다른 전자 장치에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다.

러닝 프로세서(130)에 의해 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(190) 또는 청소 로봇(100)의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화된 계획 등을 포함할 수 있다.

러닝 프로세서(130)는 기계 학습 알고리즘에서 사용하는 인공 신경망(artificial neural network, ANN) 모델을 메모리(160)에 저장할 수 있고, 인공 신경망 모델을 학습시킨 학습 모델을 생성하여 메모리(160)에 저장하고 있을 수 있으며, 학습 모델을 이용하여 입력되는 데이터에 기초하여 분류, 검출, 인지와 같은 작업을 수행할 수 있다.

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 기계 학습은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 기계 학습은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망은 기계 학습에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력 값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

도 4는 완전 연결된 인공 신경망 구조의 일 예를 도시한 도면이다.

도 4를 참조하면, 인공 신경망은 입력 층(Input Layer)(10), 출력 층(Output Layer)(20), 그리고 선택적으로 하나 이상의 은닉 층(Hidden Layer)(31, 33)을 포함할 수 있다. 각 층은 신경망의 뉴런에 대응되는 하나 이상의 노드를 포함하고, 인공 신경망은 한 층의 노드와 다른 층의 노드 간을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 노드는 시냅스를 통해 입력되는 입력 신호들을 받고, 각 입력 신호들에 대한 가중치 및 편향에 대한 활성 함수에 기초하여 출력 값을 생성할 수 있다. 각 노드의 출력 값은 시냅스를 통해 다음 층의 입력 신호로 작용할 수 있다. 한 층의 모든 노드와 다음 층의 모든 노드가 시냅스를 통해 모두 연결된 경우의 인공 신경망을 완전 연결된 인공 신경망이라 칭할 수 있다.

인공 신경망 모델의 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함될 수 있다. 그리고, 하이퍼 파라미터는 기계 학습 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함될 수 있다.

인공 신경망 중에서 복수의 은닉 층을 포함하는 심층 신경망(deep neural network, DNN)으로 구현되는 기계 학습을 심층 학습(Deep Learning)이라 부르기도 하며, 심층 학습은 기계 학습의 일부이다. 이하에서, 기계 학습은 심층 학습을 포함하는 의미로 사용될 수 있다.

도 5는 심층 신경망의 일종인 합성곱 신경망(convolutional neural network, CNN) 구조의 일 예를 도시한 도면이다.

이미지, 동영상, 문자열과 같은 구조적 공간 데이터를 식별하는 데 있어서는 도 3에 도시된 것과 같은 합성곱 신경망 구조가 더 효과적일 수 있다. 합성곱 신경망은 이미지의 공간 정보를 유지하면서 인접 이미지와의 특징을 효과적으로 인식할 수 있다.

도 5를 참조하면, 합성곱 신경망은 특징 추출 층(60)과 분류 층(70)을 포함할 수 있다. 특징 추출 층(60)은 합성곱(convolution)을 이용하여 이미지에서 공간적으로 가까이에 위치한 것들을 합성하여 이미지의 특징을 추출할 수 있다.

특징 추출 층(60)은 합성곱 층(61, 65)과 풀링 층(63, 67)을 복수 개 쌓은 형태로 구성될 수 있다. 합성곱 층(61, 65)은 입력 데이터에 필터를 적용한 후 활성화 함수를 적용한 것일 수 있다. 합성곱 층(61, 65)은 복수의 채널을 포함할 수 있으며, 각각의 채널은 서로 상이한 필터 및/또는 서로 상이한 활성화 함수를 적용한 것일 수 있다. 합성곱 층(61, 65)의 결과는 특징 지도(feature map)일 수 있다. 특징 지도는 2차원 행렬 형태의 데이터일 수 있다. 풀링 층(63, 67)은 합성곱 층(61, 65)의 출력 데이터, 즉 특징 지도를 입력으로 받아서 출력 데이터의 크기를 줄이거나, 특정 데이터를 강조하는 용도로 사용될 수 있다. 풀링 층(63, 67)은 합성곱 층(61, 65)의 출력 데이터의 일부 데이터 중에서 가장 큰 값을 선택하는 맥스 풀링(max pooling), 평균값을 선택하는 평균 풀링(average pooling), 최소 값을 선택하는 민 풀링(min pooling)의 함수를 적용하여 출력 데이터를 생성할 수 있다.

일련의 합성곱 층과 풀링 층을 거치면서 생성되는 특징 지도는 그 크기가 점점 작아질 수 있다. 마지막 합성곱 층과 풀링 층을 거쳐 생성된 최종 특징 지도는 1차원 형태로 변환되어 분류 층(70)으로 입력될 수 있다. 분류 층(70)은 도 2에 도시된 완전 연결된 인공 신경망 구조일 수 있다. 분류 층(70)의 입력 노드의 개수는 최종 특징 지도의 행렬의 원소 수에 채널의 수를 곱한 것과 동일할 수 있다.

심층 신경망 구조로 상술한 합성곱 신경망 외에도 순환신경망(recurrent neural network, RNN), LSTM(long short term memory network), GRU(gated recurrent units)등이 사용될 수도 있다. 순환신경망은 순차적인 데이터를 학습하여 분류 또는 예측을 수행할 수 있는 것으로 내부에 순환 구조가 들어 있어 과거 시간의 학습이 가중치와 곱해져 현재 학습에 반영될 수 있은 구조이다. 따라서 현재의 출력 결과는 과거 시간에서의 출력 결과에 영향을 받으며, 은닉 층은 일종의 메모리 기능을 수행한다. 순환신경망은 음성 파형을 분석하여 기계 번역을 수행하거나, 텍스트의 문장 앞 뒤 성분을 파악하여 텍스트를 생성하거나, 음성 인식을 위해 사용될 수 있다.

인공 신경망 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다. 완전 연결된 인공 신경망의 경우, 학습에 의하여 각 시냅스의 가중치가 결정될 수 있으며, 합성곱 신경망의 경우, 학습에 의하여 특징 지도를 추출하기 위한 합성곱 층의 필터가 결정될 수 있다.

기계 학습은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델들(161a, 161b)을 학습시킬 수 있다. 일 실시 예에 따라, 러닝 프로세서(130)는 복수의 인공 신경망으로 구성된 모델들(161a, 161b)을 학습시킬 수 있는데, 이 경우, 각 모델을 위한 학습 데이터는 각 모델의 목적에 따라 상이할 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다. 일 실시 예에 따라, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 인공지능 프로세싱을 수행할 수 있다.

러닝 프로세서(130)는 청소 로봇(100)의 프로세서(190)와 통합되어 구현될 수 있다. 또한, 러닝 프로세서(130)에서 실행되는 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(160), 청소 로봇(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리에 저장되어 있을 수 있다. 러닝 프로세서(130)는 해당 명령어를 메모리로부터 읽어 들여 실행함으로써 인공지능 프로세싱 프로그램을 실현할 수 있다.

다양한 실시 예들에 따르면, 센싱부(140)는 다양한 센서들을 이용하여 청소 로봇(100) 내부 정보, 청소 로봇(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 카메라, 라이다, 레이더, 압력 센서, 힘(force) 센서 중의 적어도 하나를 포함할 수 있다.

다양한 실시 예들에 따르면, 출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(150)는 시각 정보를 출력하는 디스플레이 및/또는 LED, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등을 포함할 수 있다.

다양한 실시 예들에 따르면, 메모리(160)는 청소 로봇(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(160)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리, 러닝 프로세서(130)를 위한 명령어, 프로세서(190)를 위한 명령어, 러닝 프로세서(130)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망) 등을 저장할 수 있다. 또한, 메모리(160)는 청소 로봇(100)의 미리 설정된 청소 방식을 저장하고 있을 수 있고, 맵 생성부(170)에 의해 집안의 지도가 생성되면, 메모리(160)는 생성된 지도를 저장하고 있을 수도 있다.

다양한 실시 예들에 따르면, 맵 생성부(170)는 청소를 수행하여야 할 청소 영역(예: 집안)에 대한 지도를 생성할 수 있다.

맵 생성부(170)는 초기 동작 시, 또는 청소 영역에 대한 지도가 메모리(160)에 저장되어 있지 않은 경우, 레이더, 또는 라이더와 같은 3차원 센서를 이용하여 청소 영역 전체를 스캔(scan)하거나 청소 영역 전체를 주행하면서 장애물 정보를 획득하고, 이를 바탕으로 청소 영역에 대한 지도를 생성할 수 있다.

맵 생성부(170)는 청소를 수행하기 전에 3차원 센서를 이용한 스캔을 통해 새로운 장애물을 검출하거나 기존에 있던 장애물이 없어지는 것과 같은 메모리(160)에 저장된 지도와 상이한 부분이 있는 지 판단하고, 판단 결과에 기초하여 지도를 갱신할 수 있다. 다른 일실시 예에 따라, 맵 생성부(170)는 청소를 수행하다가 지도와 상이한 새로운 장애물의 검출하거나 또는 장애물의 위치 변경 또는 장애물의 소실을 인식하게 된다면, 이러한 검출 또는 인식에 기초하여 지도를 갱신할 수 있다.

맵 생성부(170)는 3차원 센서, 또는 접촉 센서 등을 통해 획득한 장애물 정보 또는 둔턱 정보 등을 바탕으로 청소 영역을 복수 개의 구역으로 분할하여 지도에 포함할 수 있다. 일실시 예에 따라, 맵 생성부(170)은 벽과 같은 움직일 수 없는 장애물에 기초하여 청소 구역을 분할할 수 있다.

맵 생성부(170)는 일반적인 가정의 방의 형태, 예를 들면 사각형 형태를 기준으로 구역의 형태를 가공할 수 있다. 또한, 맵 생성부(170) 장애물로 인하여 접근할 수 없는 구역에 대하여는 구역을 삭제하거나 축소하여 구역의 형태를 가공할 수 있다.

맵 생성부(170)는 기초 지도와 구역 지도를 생성할 수 있다. 기초 지도는 청소 로봇(100)이 청소할 수 있는 청소 영역을 외관선으로 표시한 것이고, 구역 지도는 기초 지도에 분할한 복수 개의 구역을 구분하여 표시한 지도일 수 있다. 맵 생성부(170)는 구역 지도에 구역 간을 연결하는 연결 통로의 위치를 포함할 수 있다.

또한, 맵 생성부(170)는 장애물의 크기에 따라, 일정 큭ㅣ 이상의 장애물은 지도에 표시할 수 있다. 예를 들면, 맵 생성부(170)는 일정 크기 이상의 의자, 침대, TV, 소파와 같은 가구는 지도에 표시하고, 크기가 작거나 쉽게 움직일 수 있는 장난감 같은 것은 지도에 표시하지 않을 수 있다.

맵 생성부(170)는 청소 로봇(100)을 충전하기 위한 충전대의 위치를 지도상에 표시하여 저장할 수 있다.

맵 생성부(170)는 지도가 생성된 이후, 고정된 위치에서 반복적으로 감지되는 장애물에 대하여는 지도에 추가할 수 있고, 일시적으로 감지되는 경우에는 지도에 추가하지 않을 수 있다.

도 6은 맵 생성부(170)에 의해 생성된 구역 지도의 일 예를 도시한 도면이다.

도 6을 참조하면, (a)는 실제 주거 공간의 평면도를 나타내고, (b)는 맵 생성부(170)가 해당 평면도에 기반하여 생성한 구역 지도를 나타낸다. 맵 생성부(170)는 3차원 센서에 의한 스캔 및/또는 청소 로봇(100)의 주행에 의해 획득한 실제 주거 공간 내의 장애물 정보에 기초하여 도 6의 (b)에 도시된 바와 같이 전체 청소 영역과 전체 청소 영역을 분할하는 복수 개의 청소 구역을 표시한 지도를 생성하여 메모리(160)에 저장할 수 있다.

다양한 실시 예들에 따르면, 구동부(180)는 청소 로봇(100)의 움직임을 제어하는 주행 구동부와 청소를 하기 위해 필요한 구성요소를 구동하기 위한 청소 구동부를 포함할 수 있다.

주행 구동부는 청소 로봇(100)을 특정 방향 또는 특정 위치로 이동시킬 수 있다. 일실시 예에 따라, 청소 로봇(100)은 좌륜 및 우륜의 2개의 바퀴를 포함하고, 주행 구동부는 좌륜을 구동시키기 위한 모터 및 우륜을 구동시키기 위한 모터를 포함할 수 있다. 다른 일실시 예에 따라, 청소 로봇(100)은 하나의 바퀴만을 포함할 수도 있다.

청소 구동부는 먼지, 쓰레기 등의 이물질을 흡입하기 위한 흡입부를 위한 모터 및 걸레질을 위한 모터 중 적어도 하나 이상을 포함할 수 있다. 청소 구동부는 모터를 회전시키켜 흡입부를 통해 공기를 흡입하여 흡입부 주변의 먼지가 쓰레기 등의 이물질을 흡입할 수 있다. 흡입부는 이물질을 모아주는 수단으로써 브러쉬 등을 포함할 수 있으며, 청소 구동부는 브러쉬를 회전시키기 위한 모터를 더 포함할 수 있다. 청소 로봇(100)은 걸레질시에 걸레를 바닥 면에 적어도 일부 접촉시킬 수 있고, 걸레질을 하지 않는 경우에는 지면에서 떨어지도록 구성될 수 있다.

다양한 실시 예들에 따르면, 프로세서(190)는 데이터 분석 알고리즘 또는 기계 학습 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 청소 로봇(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(190)는 청소 로봇(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 프로세서(190)가 실행 시에 사용하는 프로그램은 메모리(160)에 저장되어 있을 수 있다.

프로세서(190)는 러닝 프로세서(130) 또는 메모리(160)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 청소 로봇(100)의 구성 요소들을 제어할 수 있다.

프로세서(190)는 결정된 동작을 수행하기 위하여 외부 장치와의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(190)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

프로세서(190)는 청소 로봇(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(160) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(190)는 메모리(160)에 저장된 응용 프로그램을 구동하기 위하여, 청소 로봇(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 또한, 프로세서(190)는 상기 응용 프로그램의 구동을 위하여, 청소 로봇(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작 시킬 수 있다.

도 7은 다양한 실시 예들에 따른 청소 로봇(100)의 사시도이다.

도 7을 참조하면, 청소 로봇(100)은 청소기 본체(105)와 센싱부(140)의 3차원 센서(141)를 포함할 수 있다. 3차원 센서(141)는 전방에 레이저 또는 초음파를 조사하고, 반사된 레이저나 초음파를 수신할 수 있다. 센싱부(140)는 레이저를 조사한 후 3차원 센서(141)에서 반사된 레이저가 수신할 때까지의 시간 차이를 이용하여 깊이 정보를 획득할 수 있다.

청소기 본체(105)는 도 3에 도시된 구성 요소들 중 센싱부(140)를 제외한 다른 구성 요소들을 포함할 수 있다.

도 8은 다양한 실시 예들에 따른 청소 로봇(100)의 저면도이다.

도 8을 참조하면, 청소 로봇(100)의 저면에는 청소기 본체(105)와 연결된 좌륜(181a), 우륜(181b) 및 흡입부(183)가 구비될 수 있다.

좌륜(181a) 및 우륜(181b)은 구동부(180)의 제어에 따라 청소기 본체(105)를 주행시킬 수 있고, 흡입부(183)는 바닥 면의 먼지 또는 쓰레기를 흡입할 수 있다.

흡입부(183)는 흡입된 기류 중에서 이물질을 채집하는 필터(미도시)와, 상기 필터에 의해 채집된 이물질들이 축적되는 이물질 수용기(미도시)를 더 포함할 수 있다.

도 9는 다양한 실시 예에 따라, 청소 로봇(100)의 프로세서(190) 및/또는 러닝 프로세서(130)가 본 개시에서 제안하는 선행 청소 내역을 반영하여 현재의 청소 계획을 수립하기 위한 기능들을 도시한 블록도이다. 도 9의 블록도는 청소 로봇(100)이 선행 청소 내역을 반영하여 현재의 청소 계획을 수립하기 위해 필요한 소프트웨어 구성요소들을 간략히 도시한 일 예이다. 일 실시 예에 따라 도 9의 블록도에서 일부 구성요소들은 생략될 수 있으며, 다른 실시 예에 따라 미 도시된 다른 구성요소들이 더 추가될 수 있다. 또한, 몇 개의 구성요소들은 서로 통합될 수 있으며, 또는 하나의 구성요소들이 분할되어 복수의 구성요소로 구현될 수도 있다. 도 9에 도시한 각 구성요소들은 별도의 프로그램으로 구현되거나 또는 일부의 구성요소는 서로 밀접하게 연관되어 하나의 프로그램으로 구현될 수 있다.

도 9를 참조하면, 청소 로봇(100)의 프로세서(190) 및/또는 러닝 프로세서(130)는 입력 모듈(910), 로깅 모듈(920), 계획 모듈(930), 제어 모듈(940) 및 출력 모듈(950)의 기능을 수행할 수 있다.

다양한 실시 예들에 따르면, 입력 모듈(910)은 청소 로봇(100)의 입력부(120) 또는 통신부(110)와 연관되어 사용자의 설정 명령이나 동작 명령을 수신할 수 있다. 일실시 예로 사용자가 리모콘을 이용하여 청소 로봇(100)에게 자동 청소 시작 명령을 송신할 수 있고, 입력 모듈(910)은 입력부(120)를 통해 사용자의 자동 청소 시작 명령을 수신할 수 있다. 다른 일실시 예로, 사용자는 스마트폰을 이용하거나 또는 PC를 이용하여 청소 로봇(100)에 청소를 수행하여야 하는 특정 구역을 설정하는 명령을 송신할 수 있고, 입력 모듈(910)은 통신부(110)를 통해 사용자의 설정 명령을 수신할 수 있다.

다양한 실시 예들에 따르면, 출력 모듈(950)은 출력부(150) 및/또는 통신부(110)와 연동하여 사용자에게 다양한 정보를 제공할 수 있다. 일실시 예에 따라, 출력 모듈(950)은 입력 모듈(910)을 통해 사용자의 입력을 수신하면, 입력을 수신하였음을 나타내는 정보를 출력부(150)를 통해 출력할 수 있다. 예를 들면, 사용자의 전원 버튼 누름을 입력 모듈(910)을 통해 인식하면, 출력 모듈(950)은 "전원이 들어왔습니다"라는 음성 메시지를 출력부(150)를 통해 방출할 수 있다. 또는 출력 모듈(950)은 통신부(110)를 통해 사용자의 스마트폰 또는 PC로 전원이 인가되었음을 알리는 알림을 전달할 수 있다. 또한, 입력 모듈(910)에서 사용자의 구역 지도 요청을 수신하면 출력 모듈(950)은 통신부(110)를 통해 사용자의 단말로 메모리(160)에 저장되어 있는 구역 지도를 전송할 수 있다. 만약, 구역 지도가 생성되어 있지 않다면, 아직 구역 지도가 생성되지 않았음을 알리는 메시지를 통신부(110)를 통해 사용자의 단말로 전달하거나 출력부(150)를 통해 사용자에게 알려줄 수 있다.

다른 일실시 예에 따라, 출력 모듈(950)은 청소 로봇(100)의 상태를 통신부(110)를 통해 사용자의 단말로 전달하거나 출력부(150)를 통해 사용자에게 알려줄 수 있다. 예를 들면, 출력 모듈(950)은 "자동 청소 수신," "청소 계획 완료," "청소 시작," "청소 완료," "배터리가 없어 청소 중단합니다,"와 같은 정보를 포함하는 메시지를 사용자 단말로 전달하거나 출력부(150)의 스피커를 통한 음성 메시지로 또는 LED를 통한 시각적 메시지로 사용자에게 알려줄 수 있다.

다양한 실시 예들에 따르면, 로깅 모듈(920)은 청소 시작부터 청소 완료까지의 청소와 관련된 정보를 로깅(logging)하여 메모리에 저장해 놓을 수 있다. 예를 들면, 로깅 모듈(920)은 각 청소 구역 별로 사용된 청소 방식(예: 지그재그 청소, 꼼꼼 청소, 집중 청소), 청소 시간, 청소 로봇(100)의 이동 경로 정보를 로깅할 수 있다. 여기서 각각의 청소 방식은 청소 순서, 강도, 진행 방향, 범위 등이 서로 상이할 수 있다. 또한, 로깅 모듈(920)은 시작 구역(예: 도 6의 A), 종료 구역(예: 도 6의 G) 및 구역 간 이동 경로(예: 도 6에서, A->B->D->E->F->I->H->G의 순서로 이동)에 대한 정보도 로깅할 수 있다. 또한, 로깅 모듈(920)은 각 구역 별로 청소 완료 여부를 태깅할 수 있고, 청소 로봇(100)이 모든 구역에 대한 청소를 완료하지 않고 조기 종료하였는 지 또는 사용자에 의해 강제 종료되었는 지에 대한 정보를 로깅할 수 있다.

로깅 모듈(920)에 의해 메모리(160)에 저장된 로깅 내역은 청소 로봇(100)의 다음 작업을 위한 계획 시에 참조될 수 있다. 일실시 예에 따라, 메모리(160)에 저장된 로깅 내역은 타 청소 로봇에 의해 참조될 수 있으며, 이 경우 출력 모듈(950)은 메모리(160)에 저장되어 있는 로깅 내역을 통신부(110)를 통해 타 청소 로봇 또는 서버로 전달할 수 있다.

다양한 실시 예들에 따르면, 계획 모듈(930)은 청소 로봇(100)의 청소 계획을 설정할 수 있다. 일실시 예에 따라, 계획 모듈(930)은 구역 별 우선 순위와 청소 방식을 결정할 수 있다. 프로세서(190)는 입력 모듈(910)을 통해 사용자가 전원을 켰다는 것을 인식하거나 또는 자동 청소 명령을 수신한 경우, 계획 모듈(930)을 수행할 수 있다.

계획 모듈(930)은 청소 로봇(100)의 선행 작업을 저장한 로깅 내역을 분석하고 학습할 수 있다.

계획 모듈(930)은 메모리(160)에 저장되어 있는 로깅 내역에 기초하여 사용된 청소 방식, 이동 경로, 구역 별 완료 여부, 조기 종료 또는 강제 종료 등의 정보를 분석할 수 있다. 예를 들면, 계획 모듈(930)은 조기 종료 또는 강제 종료 정보에 기초하여 특정 구역의 청소 상태를 인식할 수 있다. 또한, 계획 모듈(930)은 이동 경로 및 청소 시간을 분석하여 최적의 이동 경로를 학습할 수 있다. 또한, 계획 모듈(930)은 구역 별 청소 방식의 분석을 통해 구역 별 사용자 선호 청소 방식을 학습할 수 있다.

일실시 예에 따라, 계획 모듈(930)은 과거 구역 별 청소 방식에서 가장 많이 사용된 청소 방식을 선택하는 최빈도 분석을 통해 구역 별 사용자 선호 청소 방식을 학습할 수 있다. 다른 일실시 예에 따라, 계획 모듈(930)은 청소 날짜 또는 청소 요일, 선행 청소에서의 완료 여부, 오염 정도, 구역 번호를 입력으로 하고, 결과 값으로 청소 방식을 제공하는 학습 데이터를 이용하여 인공 신경망 모델을 지도 학습시킴으로써 구역 별 사용자 선호 청소 방식을 학습할 수 있다.

계획 모듈(930)은 각 구역 별 실내 오염 정도를 결정할 수 있다. 일실시 예에 따라, 계획 모듈(930)은 구역의 오염 정도를 파악할 수 있는 공기 청정기 또는 카메라로 촬영한 영상으로부터 오염 정도를 파악할 수 있는 소프트웨어가 실행되는 PC와 같은 외부 전자 장치로부터 각 구역의 오염 정도를 나타내는 정보를 획득하고, 선행 청소 결과를 저장하고 있는 로깅 내역을 함께 이용하여 구역의 오염 정도를 결정할 수 있다. 예를 들면, 로깅 내역을 통해 이전 청소에서 특정 구역이 청소를 진행하지 않은 채 강제 종료되었거나 조기 종료되었다면, 계획 모듈(930)은 해당 구역의 오염 정도를 더 높게 설정할 수 있다.

계획 모듈(930)은 각 구역 별 오염 정도, 선행 청소 내역, 구역 별 사용자 선호 청소 방식에 기초하여 청소 로봇(100)의 작업을 계획할 수 있다. 일실시 예에 따라, 계획 모듈(930)은 각 구역 별 오염 정도에 기초하여 우선 순위를 결정할 수 있다. 또한, 계획 모듈(930)은 선행 청소 내역과 구역 별 오염 정도에 기초하여 청소 후의 구역 별 오염 정도를 최소화할 수 있는 최적 청소 방식을 구역 별로 설정할 수 있다. 또한, 계획 모듈(930)은 청소에 필요한 자원 상태, 예를 들면, 배터리 충전 상태, 물 수위, 세제 상태에 기초하여 자원 소진에 따른 청소 가능 시간을 추정하고, 이에 기초하여 우선 순위 및 청소 방식을 조정할 수 있다. 예를 들면, 계획 모듈(930)은 물걸레 청소가 필요한 구역의 경우 오염 정도가 낮은 구역에 우선 순위를 더 높게 주고 오염 정도가 높은 구역에 더 낮은 우선 순위를 줄 수 있다. 계획 모듈(930)은 청소 가능 시간이 촉박한 경우 오염 정도가 높은 구역에 우선 순위를 높게 주고, 오염 정도가 낮은 구역에 낮은 우선 순위를 줄 수 있다. 또한, 계획 모듈(930)은 오염 정도가 높은 구역에 대해서는 오염 제거 가능성이 높은 집중 청소 방식을 사용할 수 있고, 오염 정도가 낮은 구역에 대해서는 지그재그 청소 방식을 사용할 수 있다.

일실시 예에 따라, 계획 모듈(930)은 학습된 인공 신경망 모델을 이용하여 구역 별 청소 우선 순위 및 청소 방식을 결정할 수 있다. 계획 모듈(930)은 청소 우선 순위 결정과 청소 방식 결정을 위한 별도의 학습된 인공 신경망 모델을 구비할 수도 있고, 다른 일실시 예에 따라, 하나의 인공 신경망 모델에서 청소 우선 순위 및 청소 방식을 결정할 수 있다.

계획 모듈(930)은 각 구역 별 오염 정도, 바로 이전에 수행된 청소 방식, 선행 청소 완료 여부, 청소 종류, 전체 청소 가능 시간을 입력으로 하고, 구역 별 청소 우선 순위 또는 청소 순서를 출력으로 하는 학습된 인공 신경망을 이용하여 청소 우선 순위를 결정할 수 있다.

또한, 계획 모듈(930)은 선호 청소 방식, 청소 종류, 청소 방식 별 청소 시간, 청소 가능 시간, 오염 정도를 입력으로 하고, 청소 방식을 출력으로 하는 학습된 인공 신경망 모델을 사용하여 각 구역에 대한 청소 방식을 결정할 수 있다. 다른 일실시 예에 따라, 계획 모듈(930)은 각 구역 별 선호 청소 방식, 청소 종류, 청소 시간, 전체 청소 가능 시간, 청소 우선 순위를 입력으로 하고 각 구역 별 청소 방식을 출력으로 하는 학습된 인공 신경망 모델을 사용하여 각 구역 별 청소 방식을 결정할 수 있다.

상술한 학습된 인공 신경망 모델은 선행 청소 내역으로부터 도출한 정보를 기초로 학습된 인공 신경망 모델일 수 있다.

제어 모듈(940)은 계획 모듈(930)에 의해 설정된 구역 별 우선 순위 또는 구역 별 청소 순서 및 구역 별 청소 방식에 따라 청소 로봇(100)이 동작하도록 구동부(180)를 제어할 수 있다. 제어 모듈(940)의 제어에 의한 청소 로봇(100)의 청소 내역을 로깅 모듈(920)에 의해 로깅되어 메모리(160)에 저장되어 다음 청소 계획 수립 시에 사용될 수 있다.

상술한 바에서 제시한 것처럼 본원 발명에서 제안하는 청소 로봇(100)은 선행 청소 로깅 내역에 기초하여 청소 계획을 수립함으로써 청소의 효율성을 극대화할 수 있다.

다양한 실시 예들에 따르면, 청소 로봇(예: 도 3의 청소 로봇(100))은 사용자로부터 명령 및 설정 정보를 획득하는 입력부(예: 도 3의 입력부(120)), 선행 청소 내역을 저장하는 메모리(예: 도 3의 메모리(160)) 및 상기 입력부 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서(예: 도 3의 프로세서(190), 러닝 프로세서(130))를 포함할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 청소 영역을 복수 개의 구역으로 분할하고, 상기 청소 로봇이 수행한 선행 청소 내역을 상기 메모리에 저장하고, 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하고, 수립된 청소 계획에 따라 청소를 수행하도록 제어할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하고, 상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하고, 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하고, 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하여 상기 청소 계획을 수립할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 가장 많이 사용된 청소 방식을 선택하는 최빈도 분석을 통해 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하되, 상기 인공 신경망 모델은 상기 메모리에 저장된 상기 선행 청소 내역에서 획득한 청소 날짜, 해당 청소 바로 전 청소에서의 완료 여부, 오염 정도, 구역 번호를 입력으로 하고, 상기 청소 내역에 포함된 수행한 청소 방식을 결과 값으로 하는 학습 데이터를 이용하여 지도 학습될 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정할 수 있다.

다양한 실시 예들에 따르면, 상기 청소 로봇은 외부 전자 장치와 통신하는 통신부(예: 도 3의 통신부(110))를 더 포함하고, 상기 적어도 하나의 프로세서는 상기 외부 전자 장치로부터 상기 복수 개의 구역 각각에 대한 오염 정도와 관련된 정보를 획득하고, 상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부와 상기 외부 전자 장치로부터 획득한 오염 정보에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 청소에 필요한 자원 상태에 기초하여 청소 가능 시간을 추정하고, 상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 청소 우선 순위를 결정할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 학습된 인공 신경망 모델에 기초하여 청소 우선 순위를 결정하되, 상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 상기 메모리에 저장된 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류를 입력으로 하고, 상기 청소 우선 순위를 출력으로 하며, 상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류 및 청소 우선 순위를 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정할 수 있다.

다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 학습된 인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하되, 상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간 및 청소 종류를 입력으로 하고, 상기 복수 개의 구역 각각에 대한 청소 방식을 출력으로 하며, 상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간, 청소 종류 및 청소 방식을 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용할 수 있다.

도 10은 다양한 실시 예들에 따른, 청소 로봇(100)이 선행 청소 내역에 기초하여 청소 계획을 수립하고 청소를 수행하는 동작을 도시한 흐름도이다. 도 10에 도시된 흐름도에 따른 동작은 전자 장치(예: 도 3의 청소 로봇(100)) 또는 전자 장치의 적어도 하나의 프로세서(예: 도 3의 프로세서(190), 러닝 프로세서(130))에 의해 실현될 수 있다.

도 10을 참조하면, 동작 1010에서, 청소 로봇(100)은 청소 영역에 대한 정보를 획득하고, 청소 영역을 복수 개의 구역으로 분할할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 3차원 센서, 또는 접촉 센서 등을 통해 획득한 장애물 정보 또는 둔턱 정보 등으로 바탕으로 청소 영역을 복수 개의 구역을 분할할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 벽과 같은 움직일 수 없는 장애물에 기초하여 청소 구역을 분할할 수 있다. 청소 로봇(100)은 도 6에 도시된 바처럼 청소 영역 및 구역 정보를 나타내는 지도를 생성하여 저장하고 있을 수 있다.

청소 로봇(100)은 청소 시작 시 또는 청소 도중에 현재의 지도에 포함된 정보와 상이한 위치의 장애물을 검출하거나 또는 장애물이 없어진 것을 인지한 경우, 지도를 갱신할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 매 청소 시작 시에 3차원 센서를 통한 스캔을 통해 현재 저장된 지도와 실제와 맞는 지 검증하고, 차이가 나는 경우 지도를 갱신할 수 있다.

다양한 실시 예들에 따르면, 청소 로봇(100)은 청소 수행 후, 수행한 청소 내역을 저장할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 동작 1070에 따른 청소 수행 후 청소 내역을 저장할 수 있다. 예를 들면, 청소 로봇(100)은 각 청소 구역 별로 사용된 청소 방식(예: 지그재그 청소, 꼼꼼 청소, 집중 청소), 청소 시간, 청소 로봇(100)의 이동 경로 정보를 저장할 수 있다. 또한, 청소 로봇(100)은 시작 구역(예: 도 6의 A), 종료 구역(예: 도 6의 G) 및 구역 간 이동 경로(예: 도 6에서, A->B->D->E->F->I->H->G의 순서로 이동)에 대한 정보도 저장할 수 있다. 또한, 청소 로봇(100)은 각 구역 별로 청소 완료 여부를 태깅할 수 있고, 청소 로봇(100)이 모든 구역에 대한 청소를 완료하지 않고 조기 종료하였는 지 또는 사용자에 의해 강제 종료되었는 지에 대한 정보도 저장할 수 있다.

다양한 실시 예들에 따르면, 동작 1050에서, 청소 로봇(100)은 저장된 청소 내역에 기초하여 청소 계획을 수립할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 구역 별 우선 순위와 청소 방식을 포함하는 청소 계획을 수립할 수 있다.

청소 로봇(100)은 동작 1030에서 저장한 청소 내역에 포함된 선행 작업을 분석할 수 있다. 청소 로봇(100)은 선행 작업 분석을 통해, 각 구역 별 청소 방식, 이동 경로, 완료 여부, 조기 종료 또는 강제 종료 등의 정보를 분석할 수 있다. 이러한 분석을 기초로 청소 로봇(100)은 구역 별 청소 상태를 인식할 수 있다. 또한, 청소 로봇(100)은 이동 경로 및 청소 시간을 분석하여 최적의 이동 경로를 학습할 수 있고, 또한, 구역 별 청소 방식의 분석을 통해 구역 별 사용자 선호 청소 방식을 학습할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 최빈도 분석 또는 학습된 인공 신경망 모델을 이용하여 선호 청소 방식을 학습할 수 있다.

또한, 청소 로봇(100)은 각 구역 별 실내 오염 정도를 결정하여 청소 계획 수립에 반영할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 구역의 오염 정도를 파악할 수 있는 공기 청정기 또는 카메라로 촬영한 영상으로부터 오염 정도를 파악할 수 있는 소프트웨어가 실행되는 PC와 같은 외부 전자 장치로부터 각 구역의 오염 정도를 나타내는 정보 및 저장된 선행 청소 내역을 함께 이용하여 구역의 오염 정도를 결정할 수 있다.

청소 로봇(100)은 구역 별 오염 정도, 선행 청소 내역, 구역 별 사용자 선호 청소 방식 등에 기초하여 청소 계획을 수립할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 각 구역 별 오염 정도에 기초하여 우선 순위를 결정할 수 있다. 또한, 청소 로봇(100)은 선행 청소 내역과 구역 별 오염 정도에 기초하여 청소 후의 구역 별 오염 정도를 최소화할 수 있는 최적 청소 방식을 구역 별로 설정할 수 있다. 또한, 청소 로봇(100)은 청소에 필요한 자원 상태, 예를 들면, 배터리 충전 상태, 물 수위, 세제 상태에 기초하여 자원이 소진될 수 있는 시간을 예측하고, 이에 기초하여 우선 순위 및 청소 방식을 조정할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 학습된 인공 신경망 모델을 이용하여 구역 별 청소 우선 순위 및 청소 방식을 결정할 수 있다.

다양한 실시 예들에 따르면, 청소 로봇(100)은 수립된 청소 계획에 따라 청소를 수행할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 동작 1050에서 수립된 구역 별 우선 순위 및 구역 별 청소 방식에 따라 청소를 수행할 수 있다. 청소 수행이 완료된 후에는 동작 1030에 따라, 청소 로봇(100)은 청소 내역을 저장할 수 있다.

도 11은 다양한 실시 예들에 따른, 청소 로봇(100)이 청소 계획을 수립하기 위하여 수행하는 동작으로 도시한 흐름도이다. 도 11에 도시된 흐름도에 따른 동작은 전자 장치(예: 도 3의 청소 로봇(100)) 또는 전자 장치의 적어도 하나의 프로세서(예: 도 3의 프로세서(190), 러닝 프로세서(130))에 의해 실현될 수 있다.

도 11을 참조하면, 동작 1051에서, 청소 로봇(100)은 구역 별 사용자 선호 청소 방식을 학습할 수 있다. 청소 로봇(100)은 저장된 선형 청소 내역을 기초로 구역 별 사용자 선호 청소 방식을 학습할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 청소 날짜 또는 청소 요일, 선행 청소에서의 완료 여부, 오염 정도, 구역 번호를 입력으로 하고, 결과 값으로 청소 방식을 제공하는 학습 데이터를 이용하여 인공 신경망 모델을 지도 학습시킴으로써 구역 별 사용자 선호 청소 방식을 학습할 수 있다.

다양한 실시 예들에 따르면, 동작 1053에서, 청소 로봇(100)은 구역 별 오염 정도를 결정할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 구역의 오염 정도를 파악할 수 있는 외부 전자 장치로부터 각 구역의 오염 정도를 나타내는 정도를 획득하고, 저장된 선행 청소 내역과 함께 획득한 오염 정도를 이용하여 구역의 오염 정도를 결정할 수 있다. 예를 들면, 선행 청소에서 조기 종료 또는 강제 종료에 의해 청소가 진해외지 않은 특정 구역은 오염 정도를 더 높게 설정할 수 있다. 또한, 선행 청소에서 집중 청소가 이루어진 경우에는 해당 구역의 오염 정도를 더 낮게 설정할 수 있다.

다양한 실시 예들에 따르면, 동작 1055에서, 청소 로봇(100)은 청소 우선 순위를 결정할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 동작 1053에서 결정한 구역 별 오염 정도에 기초하여 우선 순위를 결정할 수 있다. 다른 일실시 예에 따라, 청소 로봇(100)은 청소에 필요한 자원 상태, 예를 들면, 배터리 충전 상태, 물 수위, 세제 상태에 기초하여 자원이 소진될 수 있는 시간을 예측하고, 이에 기초하여 우선 순위를 결정할 수 있다. 예를 들면, 청소 로봇(100)은 물걸레 청소가 필요한 구역의 경우 오염 정도가 낮은 구역에 우선 순위를 더 높게 주고 오염 정도가 높은 구역에 더 낮은 우선 순위를 줄 수 있다. 또는 청소 로봇(100)은 청소 가능 시간이 촉박한 경우 오염 정도가 높은 구역에 우선 순위를 높게 주고, 오염 정도가 낮은 구역에 낮은 우선 순위를 줄 수 있다. 일실시 예에 따라, 청소 로봇(100)은 학습된 인공 신경망 모델을 이용하여 구역 별 청소 우선 순위를 결정할 수도 있다.

다양한 실시 예들에 따르면, 동작 1057에서, 청소 로봇(100)은 각 구역 별 청소 방식을 결정할 수 있다. 일실시 예에 따라, 청소 로봇(100)은 선행 청소 내역과 구역 별 오염 정도에 기초하여 청소 후의 구역 별 오염 정도를 최소화할 수 있는 최적 청소 방식을 결정할 수 있다. 또한 청소 로봇(100)은 청소에 필요한 자원 상태, 예를 들면, 배터리 충전 상태, 물 수위, 세제 상태에 기초하여 자원이 소진될 수 있는 시간을 예측하고, 이에 기초하여 청소 방식을 조정할 수 있다. 예를 들면, 청소 로봇(100)은 오염 정도가 높은 구역에 대해서는 오염 제거 가능성이 높은 집중 청소 방식을 사용할 수 있고, 오염 정도가 낮은 구역에 대해서는 지그재그 청소 방식을 사용할 수 있다. 또한, 청소 로봇(100)은 전체 청소 가능한 시간이 짧은 경우에는 청소 시간이 긴 꼼꼼 청소 방식보다 청소 시간이 짧은 지그재그 청소 방식을 사용할 수 있다.

상술한 바를 참고하면, 본 개시에서는 선행 작업을 저장하고, 선행 작업을 참조하여 청소 계획을 수립하는 청소 로봇을 제안하고 있다. 이로 인하여, 본 개시에서는 청소 로봇이 스스로 구역 별로 사용자가 선호하는 청소 방식을 찾아서 수행하고, 시간 관점에서 그리고 오염도 제거 관점에서 좀 더 효율적인 청소 계획을 수립하는 것을 제안하고 있으며, 이로 인하여 효율적인 청소가 가능하도록 할 수 있다.

다양한 실시 예들에 따르면, 청소 로봇(예: 도 3의 청소 로봇(100))의 동작 방법은 청소 영역을 복수 개의 구역으로 분할하는 동작, 상기 청소 로봇이 수행한 선행 청소 내역을 메모리에 저장하는 동작, 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하는 동작 및 수립된 청소 계획에 따라 청소를 수행하도록 제어하는 동작을 포함할 수 있다.

다양한 실시 예들에 따르면, 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하는 동작은 상기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작, 상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작, 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하는 동작 및 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작을 포함할 수 있다.

다양한 실시 예들에 따르면, 상기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작은 상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 가장 많이 사용된 청소 방식을 선택하는 최빈도 분석을 통해 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작을 포함할 수 있다.

다양한 실시 예들에 따르면, 기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작은 인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작을 포함하되, 상기 인공 신경망 모델은 상기 메모리에 저장된 상기 선행 청소 내역에서 획득한 청소 날짜, 해당 청소 바로 전 청소에서의 완료 여부, 오염 정도, 구역 번호를 입력으로 하고, 상기 청소 내역에 포함된 수행한 청소 방식을 결과 값으로 하는 학습 데이터를 이용하여 지도 학습될 수 있다.

다양한 실시 예들에 따르면, 상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작은 상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작을 포함할 수 있다.

다양한 실시 예들에 따르면, 상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작은 외부 전자 장치로부터 상기 복수 개의 구역 각각에 대한 오염 정도와 관련된 정보를 획득하는 동작 및 상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부와 상기 외부 전자 장치로부터 획득한 오염 정보에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작을 포함할 수 있다.

다양한 실시 예들에 따르면, 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하는 동작은 청소에 필요한 자원 상태에 기초하여 청소 가능 시간을 추정하는 동작 및 상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 청소 우선 순위를 결정하는 동작을 포함할 수 있다.

다양한 실시 예들에 따르면, 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하는 동작은 학습된 인공 신경망 모델에 기초하여 청소 우선 순위를 결정하는 동작을 포함하되, 상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 상기 메모리에 저장된 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류를 입력으로 하고, 상기 청소 우선 순위를 출력으로 하며, 상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류 및 청소 우선 순위를 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용할 수 있다.

다양한 실시 예들에 따르면, 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작은 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작을 포함할 수 있다.

다양한 실시 예들에 따르면, 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작은 학습된 인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작을 포함하되, 상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간 및 청소 종류를 입력으로 하고, 상기 복수 개의 구역 각각에 대한 청소 방식을 출력으로 하며, 상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간, 청소 종류 및 청소 방식을 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용할 수 있다.

Claims

청소 로봇에 있어서,
사용자로부터 명령 및 설정 정보를 획득하는 입력부;
선행 청소 내역을 저장하는 메모리; 및
상기 입력부 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
청소 영역을 복수 개의 구역으로 분할하고,
상기 청소 로봇이 수행한 선행 청소 내역을 상기 메모리에 저장하고,
상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하고,
수립된 청소 계획에 따라 청소를 수행하도록 제어하는, 청소 로봇.
제1항에 있어서,
상기 적어도 하나의 프로세서는,
상기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하고,
상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하고,
상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하고,
상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하여 상기 청소 계획을 수립하는, 청소 로봇.
제2항에 있어서,
상기 적어도 하나의 프로세서는,
상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 가장 많이 사용된 청소 방식을 선택하는 최빈도 분석을 통해 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는, 청소 로봇.
제2항에 있어서,
상기 적어도 하나의 프로세서는,
인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하되,
상기 인공 신경망 모델은 상기 메모리에 저장된 상기 선행 청소 내역에서 획득한 청소 날짜, 해당 청소 바로 전 청소에서의 완료 여부, 오염 정도, 구역 번호를 입력으로 하고, 상기 청소 내역에 포함된 수행한 청소 방식을 결과 값으로 하는 학습 데이터를 이용하여 지도 학습된, 청소 로봇.
제2항에 있어서,
상기 적어도 하나의 프로세서는,
상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는, 청소 로봇.
제5항에 있어서,
외부 전자 장치와 통신하는 통신부를 더 포함하고,
상기 적어도 하나의 프로세서는,
상기 외부 전자 장치로부터 상기 복수 개의 구역 각각에 대한 오염 정도와 관련된 정보를 획득하고,
상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부와 상기 외부 전자 장치로부터 획득한 오염 정보에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는, 청소 로봇.
제2항에 있어서,
상기 적어도 하나의 프로세서는,
청소에 필요한 자원 상태에 기초하여 청소 가능 시간을 추정하고,
상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 청소 우선 순위를 결정하는, 청소 로봇.
제7항에 있어서,
상기 적어도 하나의 프로세서는,
학습된 인공 신경망 모델에 기초하여 청소 우선 순위를 결정하되,
상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 상기 메모리에 저장된 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류를 입력으로 하고, 상기 청소 우선 순위를 출력으로 하며,
상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류 및 청소 우선 순위를 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용하는, 청소 로봇.
제7항에 있어서,
상기 적어도 하나의 프로세서는,
상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는, 청소 로봇.
제9항에 있어서,
상기 적어도 하나의 프로세서는,
학습된 인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하되,
상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간 및 청소 종류를 입력으로 하고, 상기 복수 개의 구역 각각에 대한 청소 방식을 출력으로 하며,
상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간, 청소 종류 및 청소 방식을 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용하는, 청소 로봇.
청소 로봇의 동작 방법에 있어서,
청소 영역을 복수 개의 구역으로 분할하는 동작;
상기 청소 로봇이 수행한 선행 청소 내역을 메모리에 저장하는 동작;
상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하는 동작; 및
수립된 청소 계획에 따라 청소를 수행하도록 제어하는 동작을 포함하는, 방법.
제11항에 있어서,
상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 청소 계획을 수립하는 동작은,
상기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작;
상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작;
상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하는 동작; 및
상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작을 포함하는, 방법.
제12항에 있어서,
상기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작은,
상기 메모리에 저장된 상기 선행 청소 내역에 기초하여 가장 많이 사용된 청소 방식을 선택하는 최빈도 분석을 통해 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작을 포함하는, 방법.
제12항에 있어서,
상기 선행 청소 내역에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작은,
인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대해 사용자 선호 청소 방식을 학습하는 동작을 포함하되,
상기 인공 신경망 모델은 상기 메모리에 저장된 상기 선행 청소 내역에서 획득한 청소 날짜, 해당 청소 바로 전 청소에서의 완료 여부, 오염 정도, 구역 번호를 입력으로 하고, 상기 청소 내역에 포함된 수행한 청소 방식을 결과 값으로 하는 학습 데이터를 이용하여 지도 학습된, 방법.
제12항에 있어서,
상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작은,
상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작을 포함하는, 방법.
제15항에 있어서,
상기 선행 청소 내역에 적어도 일부 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작은,
외부 전자 장치로부터 상기 복수 개의 구역 각각에 대한 오염 정도와 관련된 정보를 획득하는 동작; 및
상기 메모리에 저장된 상기 선행 청소 내역의 청소 방식 및 청소 완료 여부와 상기 외부 전자 장치로부터 획득한 오염 정보에 기초하여 상기 복수 개의 구역 각각에 대해 오염 정도를 결정하는 동작을 포함하는, 방법.
제12항에 있어서,
상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하는 동작은,
청소에 필요한 자원 상태에 기초하여 청소 가능 시간을 추정하는 동작; 및
상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 청소 우선 순위를 결정하는 동작을 포함하는, 방법.
제17항에 있어서,
상기 복수 개의 구역 각각에 대한 오염 정도에 기초하여 청소 우선 순위를 결정하는 동작은,
학습된 인공 신경망 모델에 기초하여 청소 우선 순위를 결정하는 동작을 포함하되,
상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 상기 메모리에 저장된 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류를 입력으로 하고, 상기 청소 우선 순위를 출력으로 하며,
상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 바로 이전에 수행된 청소 방식 및 청소 완료 여부, 청소 종류 및 청소 우선 순위를 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용하는, 방법.
제17항에 있어서,
상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작은,
상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식 및 상기 복수 개의 구역 각각에 대한 오염 정도 및 상기 청소 가능 시간에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작을 포함하는, 방법.
제19항에 있어서,
상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작은,
학습된 인공 신경망 모델에 기초하여 상기 복수 개의 구역 각각에 대한 청소 방식을 결정하는 동작을 포함하되,
상기 학습된 인공 신경망 모델은 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간 및 청소 종류를 입력으로 하고, 상기 복수 개의 구역 각각에 대한 청소 방식을 출력으로 하며,
상기 인공 신경망 모델을 지도 학습에 따라 학습시키기 위하여 상기 메모리에 저장된 선행 청소 내역으로부터 각각의 청소에 대한 상기 복수 개의 구역 각각에 대한 사용자 선호 청소 방식, 상기 복수 개의 구역 각각에 대한 오염 정도, 상기 청소 가능 시간, 청소 방식 별 청소 시간, 청소 종류 및 청소 방식을 획득하여 상기 인공 신경망 모델에 대한 학습 데이터로 사용하는, 방법.