[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2021015337A1 - 이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기 - Google Patents

이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기 Download PDF

Info

Publication number
WO2021015337A1
WO2021015337A1 PCT/KR2019/009151 KR2019009151W WO2021015337A1 WO 2021015337 A1 WO2021015337 A1 WO 2021015337A1 KR 2019009151 W KR2019009151 W KR 2019009151W WO 2021015337 A1 WO2021015337 A1 WO 2021015337A1
Authority
WO
WIPO (PCT)
Prior art keywords
mobile terminal
camera
image
data
neural network
Prior art date
Application number
PCT/KR2019/009151
Other languages
English (en)
French (fr)
Inventor
김성진
김범오
김태현
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/KR2019/009151 priority Critical patent/WO2021015337A1/ko
Publication of WO2021015337A1 publication Critical patent/WO2021015337A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/725—Cordless telephones

Definitions

  • the present invention relates to a mobile terminal equipped with artificial intelligence, and more particularly, to a method of automatically switching front and rear cameras installed at the front and rear sides of a mobile terminal using artificial intelligence, and to a mobile terminal thereof.
  • AI Artificial Intelligence
  • mobile terminals called mobile phones or cell phones are essential electronic products that people carry on their bodies. From a traditional point of view, this mobile terminal was a means for person-to-person calls, but now it is used as an important means of communicating with the public rather than a telephone.
  • the mobile terminal includes a camera, including a front camera installed on the front side of the mobile terminal and a rear camera installed on the rear side. Therefore, if a user wants to use a camera, there is an inconvenience of having to select one of a front camera or a rear camera.
  • an object of the present invention is to provide convenience by automatically executing the corresponding camera by determining whether the user will use the front camera or the rear camera through AI processing.
  • executing a camera inputting a preview image input through the camera and sensor data of an activated sensor into an artificial neural network (ANN), wherein the artificial neural network includes the image data and the sensor It is a model trained to determine whether an image was captured through a front camera or a rear camera through a combination of data, and the artificial neural network maps the input sensor data and the image data to determine whether it is a selfie mode or a normal mode.
  • ANN artificial neural network
  • Disclosed is a method of switching front and rear cameras in a mobile terminal comprising determining and outputting the result, and switching or maintaining the executed camera to another camera based on a response to the output.
  • the outputting may further include extracting an object included in the preview image and determining whether a person is included from the extracted object, and if the extracted object does not include a person, it is determined as the normal mode. .
  • the extracted object includes a person
  • the size of the person is determined, and if it is a full body, it is determined as the general mode, and if it is not a full body, the distance between the mobile terminal and the person is extracted, and the extracted distance is a preset condition Compared with, it judges normal mode or selfie mode.
  • the extracted object when the extracted object includes a plurality of people, it is determined whether or not it is a whole body based on a person closest to the mobile terminal among the plurality of people.
  • the sensor data includes at least one of a photographing angle indicating tilt of the mobile terminal and a distance between the camera and a user's face.
  • the image data includes at least one of a resolution of the preview image, the number of objects included in the preview image, a size of the object, and a type of the object.
  • the determination of whether the selfie mode or the normal mode is, is determined as a normal mode if the resolution is greater than the maximum resolution of the front camera.
  • the output is provided to the user in a voice-type message, and the response includes the user's voice command to the message.
  • the neural network model is trained to input an image stored in the mobile terminal as training data into the artificial neural network to distinguish whether the image is captured in a selfie mode or a normal mode.
  • the mobile terminal is connected to share data with another mobile terminal through 5G communication, and the image includes an image shared by the other mobile terminal.
  • Another embodiment of the present invention relates to a mobile terminal, a front and rear camera, a plurality of sensors that sense the mobile terminal to generate a variety of related sensor data, and a front image through a combination of image data and sensor data of a preview image.
  • An artificial neural network (ANN) trained to determine whether it was photographed through a camera or a rear camera, a memory storing data, and a processor controlling an operation of the mobile terminal, wherein the processor includes one of the front and rear cameras.
  • ANN artificial neural network
  • a current preview image input through and sensor data of an activated sensor among the plurality of sensors are input to the artificial neural network, and the neural network model maps the sensor data and the image data to determine whether it is a selfie mode or a normal mode Receives the result, outputs it to the user, and switches or maintains the executed camera to another camera based on a response to the output.
  • a camera desired by the user among the front or rear cameras can be automatically executed by simply executing the camera by the user. Accordingly, the user can avoid the hassle of having to select one of the front or rear cameras every time the camera is executed.
  • FIG. 1 illustrates a block diagram of a wireless communication system to which the methods proposed in the present specification can be applied.
  • FIG. 2 is a diagram showing an example of a signal transmission/reception method in a wireless communication system.
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • FIG. 4 is a diagram illustrating a communication environment in which a selection method according to an embodiment of the present invention is implemented.
  • FIG. 5 is a diagram showing the configuration of a mobile terminal 10 according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating an example in which a mobile terminal shares an image stored in another mobile terminal through 5G communication.
  • FIG. 7 is a diagram showing the configuration of an AI processor mounted in a mobile terminal according to an embodiment of the present invention.
  • FIG. 8 is a diagram illustrating a process of training an artificial neural network.
  • FIG. 9 is a diagram illustrating a flow of a method of switching front and rear cameras according to an exemplary embodiment.
  • 10 to 13 are diagrams showing examples of determining a photographing mode.
  • FIG. 14 is a diagram illustrating an application example of the present invention.
  • AI 5G communication required by the device and / or the AI processor requiring the processed information (5 th generation mobile communication) will be described in paragraphs A through G to paragraph.
  • FIG. 1 illustrates a block diagram of a wireless communication system to which the methods proposed in the present specification can be applied.
  • a device including an AI module is defined as a first communication device (910 in FIG. 1 ), and a processor 911 may perform a detailed AI operation.
  • a 5G network including another device (AI server) that communicates with the AI device may be a second communication device (920 in FIG. 1), and the processor 921 may perform detailed AI operations.
  • the 5G network may be referred to as the first communication device and the AI device may be referred to as the second communication device.
  • the first communication device or the second communication device may be a base station, a network node, a transmission terminal, a receiving terminal, a wireless device, a wireless communication device, a vehicle, a vehicle equipped with an autonomous driving function, and a connected car.
  • drone Unmanned Aerial Vehicle, UAV
  • AI Artificial Intelligence
  • robot Robot
  • AR Algmented Reality
  • VR Virtual Reality
  • MR Magnetic
  • hologram device public safety device
  • MTC device IoT devices
  • medical devices fintech devices (or financial devices)
  • security devices climate/environment devices, devices related to 5G services, or other devices related to the 4th industrial revolution field.
  • a terminal or user equipment is a mobile phone, a smart phone, a laptop computer, a digital broadcasting terminal, a personal digital assistants (PDA), a portable multimedia player (PMP), a navigation system, and a slate PC.
  • PDA personal digital assistants
  • PMP portable multimedia player
  • slate PC slate PC
  • tablet PC ultrabook
  • wearable device e.g., smartwatch, smart glass
  • head mounted display HMD
  • the HMD may be a display device worn on the head.
  • HMD can be used to implement VR, AR or MR.
  • a drone may be a vehicle that is not human and is flying by a radio control signal.
  • the VR device may include a device that implements an object or a background of a virtual world.
  • the AR device may include a device that connects and implements an object or background of a virtual world, such as an object or background of the real world.
  • the MR device may include a device that combines and implements an object or background of a virtual world, such as an object or background of the real world.
  • the hologram device may include a device that implements a 360-degree stereoscopic image by recording and reproducing stereoscopic information by utilizing an interference phenomenon of light generated by the encounter of two laser lights called holography.
  • the public safety device may include an image relay device or an image device wearable on a user's human body.
  • the MTC device and the IoT device may be devices that do not require direct human intervention or manipulation.
  • the MTC device and the IoT device may include a smart meter, a bending machine, a thermometer, a smart light bulb, a door lock, or various sensors.
  • the medical device may be a device used for the purpose of diagnosing, treating, alleviating, treating or preventing a disease.
  • the medical device may be a device used for the purpose of diagnosing, treating, alleviating or correcting an injury or disorder.
  • a medical device may be a device used for the purpose of examining, replacing or modifying a structure or function.
  • the medical device may be a device used for the purpose of controlling pregnancy.
  • the medical device may include a device for treatment, a device for surgery, a device for (extra-corporeal) diagnosis, a device for hearing aid or a procedure.
  • the security device may be a device installed to prevent a risk that may occur and maintain safety.
  • the security device may be a camera, CCTV, recorder, or black box.
  • the fintech device may be a device capable of providing financial services such as mobile payment.
  • a first communication device 910 and a second communication device 920 include a processor (processor, 911,921), a memory (memory, 914,924), one or more Tx/Rx RF modules (radio frequency modules, 915,925). , Tx processors 912 and 922, Rx processors 913 and 923, and antennas 916 and 926.
  • the Tx/Rx module is also called a transceiver.
  • Each Tx/Rx module 915 transmits a signal through a respective antenna 926.
  • the processor implements the previously salpin functions, processes and/or methods.
  • the processor 921 may be associated with a memory 924 that stores program code and data.
  • the memory may be referred to as a computer-readable medium.
  • the transmission (TX) processor 912 implements various signal processing functions for the L1 layer (ie, the physical layer).
  • the receive (RX) processor implements the various signal processing functions of L1 (ie, the physical layer).
  • the UL (communication from the second communication device to the first communication device) is handled in the first communication device 910 in a manner similar to that described with respect to the receiver function in the second communication device 920.
  • Each Tx/Rx module 925 receives a signal through a respective antenna 926.
  • Each Tx/Rx module provides an RF carrier and information to the RX processor 923.
  • the processor 921 may be associated with a memory 924 that stores program code and data.
  • the memory may be referred to as a computer-readable medium.
  • the first communication device may be a vehicle
  • the second communication device may be a 5G network.
  • FIG. 2 is a diagram showing an example of a signal transmission/reception method in a wireless communication system.
  • the UE when the UE is powered on or newly enters a cell, the UE performs an initial cell search operation such as synchronizing with the BS (S201). To this end, the UE receives a primary synchronization channel (P-SCH) and a secondary synchronization channel (S-SCH) from the BS, synchronizes with the BS, and obtains information such as cell ID. can do.
  • P-SCH primary synchronization channel
  • S-SCH secondary synchronization channel
  • the UE may obtain intra-cell broadcast information by receiving a physical broadcast channel (PBCH) from the BS.
  • PBCH physical broadcast channel
  • the UE may receive a downlink reference signal (DL RS) in the initial cell search step to check the downlink channel state.
  • DL RS downlink reference signal
  • the UE acquires more detailed system information by receiving a physical downlink control channel (PDCCH) and a physical downlink shared channel (PDSCH) according to the information carried on the PDCCH. It can be done (S202).
  • PDCCH physical downlink control channel
  • PDSCH physical downlink shared channel
  • the UE may perform a random access procedure (RACH) for the BS (steps S203 to S206).
  • RACH random access procedure
  • the UE transmits a specific sequence as a preamble through a physical random access channel (PRACH) (S203 and S205), and a random access response for the preamble through the PDCCH and the corresponding PDSCH (random access response, RAR) message can be received (S204 and S206).
  • PRACH physical random access channel
  • RAR random access response
  • a contention resolution procedure may be additionally performed.
  • the UE receives PDCCH/PDSCH (S207) and physical uplink shared channel (PUSCH)/physical uplink control channel as a general uplink/downlink signal transmission process.
  • Uplink control channel, PUCCH) transmission (S208) may be performed.
  • the UE receives downlink control information (DCI) through the PDCCH.
  • DCI downlink control information
  • the UE monitors the set of PDCCH candidates from monitoring opportunities set in one or more control element sets (CORESET) on the serving cell according to the corresponding search space configurations.
  • the set of PDCCH candidates to be monitored by the UE is defined in terms of search space sets, and the search space set may be a common search space set or a UE-specific search space set.
  • the CORESET consists of a set of (physical) resource blocks with a time duration of 1 to 3 OFDM symbols.
  • the network can configure the UE to have multiple CORESETs.
  • the UE monitors PDCCH candidates in one or more search space sets. Here, monitoring means attempting to decode PDCCH candidate(s) in the search space.
  • the UE determines that the PDCCH is detected in the corresponding PDCCH candidate, and performs PDSCH reception or PUSCH transmission based on the detected DCI in the PDCCH.
  • the PDCCH can be used to schedule DL transmissions on the PDSCH and UL transmissions on the PUSCH.
  • the DCI on the PDCCH is a downlink assignment (i.e., downlink grant; DL grant) including at least information on modulation and coding format and resource allocation related to a downlink shared channel, or uplink It includes an uplink grant (UL grant) including modulation and coding format and resource allocation information related to the shared channel.
  • downlink grant i.e., downlink grant; DL grant
  • UL grant uplink grant
  • the UE may perform cell search, system information acquisition, beam alignment for initial access, and DL measurement based on the SSB.
  • SSB is used interchangeably with SS/PBCH (Synchronization Signal/Physical Broadcast Channel) block.
  • SS/PBCH Synchronization Signal/Physical Broadcast Channel
  • the SSB consists of PSS, SSS and PBCH.
  • the SSB is composed of 4 consecutive OFDM symbols, and PSS, PBCH, SSS/PBCH or PBCH are transmitted for each OFDM symbol.
  • the PSS and SSS are each composed of 1 OFDM symbol and 127 subcarriers, and the PBCH is composed of 3 OFDM symbols and 576 subcarriers.
  • Cell discovery refers to a process in which the UE acquires time/frequency synchronization of a cell and detects a cell identifier (eg, Physical layer Cell ID, PCI) of the cell.
  • PSS is used to detect a cell ID within a cell ID group
  • SSS is used to detect a cell ID group.
  • PBCH is used for SSB (time) index detection and half-frame detection.
  • 336 cell ID groups There are 336 cell ID groups, and 3 cell IDs exist for each cell ID group. There are a total of 1008 cell IDs. Information on the cell ID group to which the cell ID of the cell belongs is provided/obtained through the SSS of the cell, and information on the cell ID among 336 cells in the cell ID is provided/obtained through the PSS.
  • the SSB is transmitted periodically according to the SSB period.
  • the SSB basic period assumed by the UE during initial cell search is defined as 20 ms. After cell access, the SSB period may be set to one of ⁇ 5ms, 10ms, 20ms, 40ms, 80ms, 160ms ⁇ by the network (eg, BS).
  • SI is divided into a master information block (MIB) and a plurality of system information blocks (SIB). SI other than MIB may be referred to as RMSI (Remaining Minimum System Information).
  • the MIB includes information/parameters for monitoring a PDCCH scheduling a PDSCH carrying a System Information Block1 (SIB1), and is transmitted by the BS through the PBCH of the SSB.
  • SIB1 includes information related to availability and scheduling (eg, transmission period, SI-window size) of the remaining SIBs (hereinafter, SIBx, x is an integer greater than or equal to 2). SIBx is included in the SI message and is transmitted through the PDSCH. Each SI message is transmitted within a periodic time window (ie, SI-window).
  • RA random access
  • the random access process is used for various purposes.
  • the random access procedure may be used for initial network access, handover, and UE-triggered UL data transmission.
  • the UE may acquire UL synchronization and UL transmission resources through a random access process.
  • the random access process is divided into a contention-based random access process and a contention free random access process.
  • the detailed procedure for the contention-based random access process is as follows.
  • the UE may transmit the random access preamble as Msg1 in the random access procedure in the UL through the PRACH.
  • Random access preamble sequences having two different lengths are supported. Long sequence length 839 is applied for subcarrier spacing of 1.25 and 5 kHz, and short sequence length 139 is applied for subcarrier spacing of 15, 30, 60 and 120 kHz.
  • the BS When the BS receives the random access preamble from the UE, the BS transmits a random access response (RAR) message (Msg2) to the UE.
  • RAR random access response
  • the PDCCH for scheduling the PDSCH carrying the RAR is transmitted after being CRC masked with a random access (RA) radio network temporary identifier (RNTI) (RA-RNTI).
  • RA-RNTI random access radio network temporary identifier
  • a UE that detects a PDCCH masked with RA-RNTI may receive an RAR from a PDSCH scheduled by a DCI carried by the PDCCH.
  • the UE checks whether the preamble transmitted by the UE, that is, random access response information for Msg1, is in the RAR.
  • Whether there is random access information for Msg1 transmitted by the UE may be determined based on whether a random access preamble ID for a preamble transmitted by the UE exists. If there is no response to Msg1, the UE may retransmit the RACH preamble within a predetermined number of times while performing power ramping. The UE calculates the PRACH transmission power for retransmission of the preamble based on the most recent path loss and power ramping counter.
  • the UE may transmit UL transmission as Msg3 in a random access procedure on an uplink shared channel based on random access response information.
  • Msg3 may include an RRC connection request and a UE identifier.
  • the network may send Msg4, which may be treated as a contention resolution message on the DL. By receiving Msg4, the UE can enter the RRC connected state.
  • the BM process may be divided into (1) a DL BM process using SSB or CSI-RS and (2) a UL BM process using a sounding reference signal (SRS).
  • each BM process may include Tx beam sweeping to determine the Tx beam and Rx beam sweeping to determine the Rx beam.
  • CSI channel state information
  • the UE receives a CSI-ResourceConfig IE including CSI-SSB-ResourceSetList for SSB resources used for BM from BS.
  • the RRC parameter csi-SSB-ResourceSetList represents a list of SSB resources used for beam management and reporting in one resource set.
  • the SSB resource set may be set to ⁇ SSBx1, SSBx2, SSBx3, SSBx4, ⁇ .
  • the SSB index may be defined from 0 to 63.
  • the UE receives signals on SSB resources from the BS based on the CSI-SSB-ResourceSetList.
  • the UE reports the best SSBRI and the corresponding RSRP to the BS.
  • the reportQuantity of the CSI-RS reportConfig IE is set to'ssb-Index-RSRP', the UE reports the best SSBRI and corresponding RSRP to the BS.
  • the UE When the UE is configured with CSI-RS resources in the same OFDM symbol(s) as the SSB, and'QCL-TypeD' is applicable, the UE is similarly co-located in terms of'QCL-TypeD' where the CSI-RS and SSB are ( quasi co-located, QCL).
  • QCL-TypeD may mean that QCL is performed between antenna ports in terms of a spatial Rx parameter.
  • the Rx beam determination (or refinement) process of the UE using CSI-RS and the Tx beam sweeping process of the BS are sequentially described.
  • the repetition parameter is set to'ON'
  • the Tx beam sweeping process of the BS is set to'OFF'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'ON'.
  • the UE repeats signals on the resource(s) in the CSI-RS resource set in which the RRC parameter'repetition' is set to'ON' in different OFDM symbols through the same Tx beam (or DL spatial domain transmission filter) of the BS Receive.
  • the UE determines its own Rx beam.
  • the UE omits CSI reporting. That is, the UE may omit CSI reporting when the shopping price RRC parameter'repetition' is set to'ON'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'OFF', and is related to the Tx beam sweeping process of the BS.
  • the UE receives signals on resources in the CSI-RS resource set in which the RRC parameter'repetition' is set to'OFF' through different Tx beams (DL spatial domain transmission filters) of the BS.
  • Tx beams DL spatial domain transmission filters
  • the UE selects (or determines) the best beam.
  • the UE reports the ID (eg, CRI) and related quality information (eg, RSRP) for the selected beam to the BS. That is, when the CSI-RS is transmitted for the BM, the UE reports the CRI and the RSRP for it to the BS.
  • ID eg, CRI
  • RSRP related quality information
  • the UE receives RRC signaling (eg, SRS-Config IE) including a usage parameter set as'beam management' (RRC parameter) from the BS.
  • SRS-Config IE is used for SRS transmission configuration.
  • SRS-Config IE includes a list of SRS-Resources and a list of SRS-ResourceSets. Each SRS resource set means a set of SRS-resources.
  • the UE determines Tx beamforming for the SRS resource to be transmitted based on the SRS-SpatialRelation Info included in the SRS-Config IE.
  • SRS-SpatialRelation Info is set for each SRS resource, and indicates whether to apply the same beamforming as the beamforming used in SSB, CSI-RS or SRS for each SRS resource.
  • SRS-SpatialRelationInfo is set in the SRS resource, the same beamforming as that used in SSB, CSI-RS or SRS is applied and transmitted. However, if SRS-SpatialRelationInfo is not set in the SRS resource, the UE randomly determines Tx beamforming and transmits the SRS through the determined Tx beamforming.
  • BFR beam failure recovery
  • Radio Link Failure may frequently occur due to rotation, movement, or beamforming blockage of the UE. Therefore, BFR is supported in NR to prevent frequent RLF from occurring. BFR is similar to the radio link failure recovery process, and may be supported when the UE knows the new candidate beam(s).
  • the BS sets beam failure detection reference signals to the UE, and the UE sets the number of beam failure indications from the physical layer of the UE within a period set by RRC signaling of the BS. When a threshold set by RRC signaling is reached (reach), a beam failure is declared.
  • the UE triggers beam failure recovery by initiating a random access process on the PCell; Beam failure recovery is performed by selecting a suitable beam (if the BS has provided dedicated random access resources for certain beams, they are prioritized by the UE). Upon completion of the random access procedure, it is considered that beam failure recovery is complete.
  • URLLC transmission as defined by NR is (1) relatively low traffic size, (2) relatively low arrival rate, (3) extremely low latency requirement (e.g. 0.5, 1ms), (4) It may mean a relatively short transmission duration (eg, 2 OFDM symbols), and (5) transmission of an urgent service/message.
  • transmission for a specific type of traffic e.g., URLLC
  • eMBB previously scheduled transmission
  • eMBB and URLLC services can be scheduled on non-overlapping time/frequency resources, and URLLC transmission can occur on resources scheduled for ongoing eMBB traffic.
  • the eMBB UE may not be able to know whether the PDSCH transmission of the UE is partially punctured, and the UE may not be able to decode the PDSCH due to corrupted coded bits.
  • the NR provides a preemption indication.
  • the preemption indication may be referred to as an interrupted transmission indication.
  • the UE receives the DownlinkPreemption IE through RRC signaling from the BS.
  • the UE is configured with the INT-RNTI provided by the parameter int-RNTI in the DownlinkPreemption IE for monitoring of the PDCCH carrying DCI format 2_1.
  • the UE is additionally configured with a set of serving cells by an INT-ConfigurationPerServing Cell including a set of serving cell indexes provided by servingCellID and a corresponding set of positions for fields in DCI format 2_1 by positionInDCI, and dci-PayloadSize It is set with the information payload size for DCI format 2_1 by, and is set with the indication granularity of time-frequency resources by timeFrequencySect.
  • the UE receives DCI format 2_1 from the BS based on the DownlinkPreemption IE.
  • the UE When the UE detects the DCI format 2_1 for the serving cell in the set set of serving cells, the UE is the DCI format among the set of PRBs and symbols in the monitoring period last monitoring period to which the DCI format 2_1 belongs. It can be assumed that there is no transmission to the UE in the PRBs and symbols indicated by 2_1. For example, the UE sees that the signal in the time-frequency resource indicated by the preemption is not a DL transmission scheduled to it, and decodes data based on the signals received in the remaining resource regions.
  • Massive Machine Type Communication is one of the 5G scenarios to support hyper-connection services that simultaneously communicate with a large number of UEs.
  • the UE communicates intermittently with a very low transmission rate and mobility. Therefore, mMTC aims at how long the UE can be driven at a low cost.
  • 3GPP deals with MTC and NB (NarrowBand)-IoT.
  • the mMTC technology has features such as repetitive transmission of PDCCH, PUCCH, physical downlink shared channel (PDSCH), PUSCH, etc., frequency hopping, retuning, and guard period.
  • a PUSCH (or PUCCH (especially, long PUCCH) or PRACH) including specific information and a PDSCH (or PDCCH) including a response to specific information are repeatedly transmitted.
  • Repetitive transmission is performed through frequency hopping, and for repetitive transmission, (RF) retuning is performed in a guard period from a first frequency resource to a second frequency resource, and specific information
  • RF repetitive transmission
  • the response to specific information may be transmitted/received through a narrowband (ex. 6 resource block (RB) or 1 RB).
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • the UE transmits specific information transmission to the 5G network (S1). And, the 5G network performs 5G processing on the specific information (S2). Here, 5G processing may include AI processing. Then, the 5G network transmits a response including the AI processing result to the UE (S3).
  • the UE performs an initial access procedure and random access with the 5G network before step S1 of FIG. random access) procedure.
  • the UE performs an initial access procedure with the 5G network based on the SSB to obtain DL synchronization and system information.
  • a beam management (BM) process and a beam failure recovery process may be added, and a QCL (quasi-co location) relationship in a process in which the UE receives a signal from the 5G network Can be added.
  • QCL quadsi-co location
  • the UE performs a random access procedure with the 5G network for UL synchronization acquisition and/or UL transmission.
  • the 5G network may transmit a UL grant for scheduling transmission of specific information to the UE. Therefore, the UE transmits specific information to the 5G network based on the UL grant.
  • the 5G network transmits a DL grant for scheduling transmission of a 5G processing result for the specific information to the UE. Accordingly, the 5G network may transmit a response including the AI processing result to the UE based on the DL grant.
  • the UE may receive a DownlinkPreemption IE from the 5G network. And, the UE receives a DCI format 2_1 including a pre-emption indication from the 5G network based on the DownlinkPreemption IE. In addition, the UE does not perform (or expect or assume) reception of eMBB data in the resource (PRB and/or OFDM symbol) indicated by the pre-emption indication. Thereafter, the UE may receive a UL grant from the 5G network when it is necessary to transmit specific information.
  • the UE receives a UL grant from the 5G network to transmit specific information to the 5G network.
  • the UL grant includes information on the number of repetitions for transmission of the specific information, and the specific information may be repeatedly transmitted based on the information on the number of repetitions. That is, the UE transmits specific information to the 5G network based on the UL grant.
  • repetitive transmission of specific information may be performed through frequency hopping, transmission of first specific information may be transmitted in a first frequency resource, and transmission of second specific information may be transmitted in a second frequency resource.
  • the specific information may be transmitted through a narrowband of 6RB (Resource Block) or 1RB (Resource Block).
  • FIG. 4 is a diagram illustrating a communication environment in which a selection method according to an embodiment of the present invention is implemented.
  • the present invention may be implemented in a communication environment configured to include a plurality of mobile terminals 10 connected to each other through 5G communication 20.
  • the 5G communication 20 may be a network based on the communication system described above with reference to FIGS. 1 to 3.
  • Each of the plurality of mobile terminals 10 may include images captured and stored using a camera installed in the mobile terminal 10 for each terminal.
  • the mobile terminal 10 may tag and store image data and sensor data on the image.
  • the image data may be data such as a file size, resolution, location, and tag of the captured image
  • the sensor data may be data collected from various sensors installed in the mobile terminal.
  • the sensor data may be data such as a photographing angle sensed by a motion sensor, a photographing distance sensed by a depth sensor, and an inclination of the mobile terminal sensed by an acceleration sensor.
  • Each of the plurality of mobile terminals 10 may perform an approval procedure to allow sharing of images stored in other terminals when requesting connection to another mobile terminal in order to share an image stored in another mobile terminal, and according to the approval procedure. It may or may not be able to share images stored in other mobile terminals according to the granted authority.
  • FIG. 5 is a diagram showing the configuration of a mobile terminal 10 according to an embodiment of the present invention.
  • the mobile terminal 10 includes a user input unit 11, an output unit 12, a control unit 13, a sensing unit 14, a communication unit 15, and an A/V input unit 16. , Memory 17, and may be configured to include an AI processor 18.
  • the AI processor 18 may be configured as part of the control unit or separately.
  • the user input unit 11 refers to an interface through which a user inputs data.
  • the user input unit 11 includes a key pad, a dome switch, and a touch pad (contact type capacitance method, pressure type resistive film method, infrared detection method, surface ultrasonic conduction method, integral type). Tension measurement method, piezo effect method, etc.), a jog wheel, a jog switch, and the like, but are not limited thereto.
  • the output unit 12 may output an audio signal, a video signal, or a vibration signal, and the output unit 12 may include a display unit 121, an audio output unit 122, and a vibration motor 123. have. In an embodiment, the output unit 12 may output a message in the form of audio, video, and/or vibration.
  • the display unit 121 is an interface that displays and outputs information, and may be implemented as a flat display such as an LCD or OLED.
  • the sound output unit 122 outputs audio data received from the communication unit 15 or stored in the memory 17.
  • the sound output unit 122 outputs sound signals related to functions (eg, call signal reception sound, message reception sound, and notification sound) performed in the mobile terminal 10.
  • the sound output unit 122 may output a notification sound for notifying that an event has occurred.
  • the control unit 13 generally controls the overall operation of the mobile terminal 10. For example, by executing programs stored in the memory 17, the control unit 13, the user input unit 11, the output unit 12, the sensing unit 14, the communication unit 15, the A/V input unit 16 ), it is possible to overall control the operation of the AI processor 18. In addition, the control unit 13 can perform the functions of the mobile terminal 10 by executing programs stored in the memory 17.
  • the control unit 13 may include at least one processor.
  • the control unit 1300 may include a plurality of processors or may include one integrated processor according to its function and role.
  • the controller 13 controls the operation of the AI processor 18 to map the preview image and sensing data to determine whether it is a selfie mode or a normal mode, and selectively activates the camera 161 according to the determination result. I can make it.
  • the sensing unit 14 may sense a state of the mobile terminal 10, a user's state, or a state around the mobile terminal 10, and transmit the sensed information to the controller 13.
  • the sensing unit 14 includes a magnetic sensor 141, an acceleration sensor 142, a temperature/humidity sensor 143, an infrared sensor 144, a gyroscope sensor 145, and a position sensor. 146, the barometric pressure sensor 147, the proximity sensor 148, and at least one of the RGB sensor 149 may be included, but is not limited thereto. Since the function of each sensor can be intuitively inferred by a person skilled in the art from its name, a detailed description will be omitted.
  • the communication unit 15 may include one or more components that allow the mobile terminal 10 to communicate with other mobile terminals.
  • Another electronic device (not shown) may be a computing device or a sensing device, but is not limited thereto.
  • the communication unit 15 may further include a short-range communication unit 151, a mobile communication unit 152, and a broadcast reception unit 153.
  • the short-range wireless communication unit 151 includes a Bluetooth communication unit, a Bluetooth Low Energy (BLE) communication unit, a near field communication unit, a WLAN (Wi-Fi) communication unit, a Zigbee communication unit, and an infrared ( IrDA, infrared data association) communication unit, WFD (Wi-Fi Direct) communication unit, UWB (ultra wideband) communication unit, Ant+ communication unit, etc. may be included, but is not limited thereto.
  • the mobile communication unit 152 transmits and receives a radio signal with at least one of a base station, an external terminal, and a server on a mobile communication network.
  • the wireless signal may include a voice call signal, a video call signal, or various types of data according to transmission/reception of text/multimedia messages.
  • the broadcast receiving unit 153 receives a broadcast signal and/or broadcast-related information from outside through a broadcast channel.
  • Broadcast channels may include satellite channels and terrestrial channels.
  • the A/V (Audio/Video) input unit 16 is for inputting an audio signal or a video signal, and may include a camera 161 and a microphone 162.
  • the camera 161 may obtain an image frame such as a still image or a video through an image sensor in a video call mode or a photographing mode.
  • the image captured through the image sensor is mapped with the sensor data acquired by the sensing unit 14 and the image data of the image acquired by the camera 161 through the control unit 13 or a separate image processing unit (not shown) and stored.
  • the camera 161 may include a front camera disposed at the front of the mobile terminal 10 and a rear camera disposed at the rear depending on the location.
  • a selfie mode refers to a mode in which an object is photographed with a front camera
  • the general mode refers to a mode in which an object is photographed with a rear camera.
  • the front camera may be a camera having a smaller number of pixels than the rear camera, and therefore, an image captured through the front camera may have a smaller resolution than an image captured by the rear camera.
  • the microphone 162 receives an external sound signal and processes it as electrical voice data. For example, the microphone 162 may receive a voice command from a user.
  • the microphone 162 may use various noise removal algorithms to remove noise generated in the process of receiving an external sound signal.
  • the memory 17 may store a program for processing and control of the controller 13, and may store data input to or output from the mobile terminal 10.
  • the memory 17 is a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (for example, SD or XD memory), and RAM.
  • RAM Random Access Memory
  • SRAM Static Random Access Memory
  • ROM Read-Only Memory
  • EEPROM Electrically Erasable Programmable Read-Only Memory
  • PROM Programs stored in the memory 17 may be classified into a plurality of modules according to their functions, for example, a UI module 171, a touch screen module 172, a notification module 173, and the like.
  • the UI module 171 may provide a specialized UI, GUI, etc. that are interlocked with the mobile terminal 10 for each application.
  • the touch screen module 172 may detect a user's touch gesture on a touch screen and transmit information on the touch gesture to the controller 13.
  • FIG. 6 is a diagram illustrating an example in which a mobile terminal 101 shares an image 102a stored in another mobile terminal 102 through a 5G communication 20.
  • a mobile terminal 101 may be connected to other mobile terminals 102 to enable communication through 5G communication 20.
  • the mobile terminal 101 is connected to one other mobile terminal 102, but this is only an example, and the present invention is not intended to be limited thereto.
  • the mobile terminal 101 is connected to a plurality of other mobile terminals 102 and may be configured to share images stored in each mobile terminal 102.
  • the 5G communication 20 can provide a policy that allows files to be shared when two devices are connected, and the mobile terminal 101 from which the mobile terminal 101 is different can be connected to enable file sharing according to the policy.
  • I can.
  • the mobile terminal 101 requests read permission to the gallery folder 102a storing the image from the other mobile terminal 102, and the mobile terminal 101 grants this permission. I can approve it. Accordingly, the mobile terminal 101 can store images stored in the other mobile terminal 102 in its own memory.
  • the mobile terminal 101 may be configured to include a gallery folder 101a and a shared folder 101b.
  • the gallery folder 101a may be a space for storing images captured by the mobile terminal 101
  • the shared folder 101b may be a space for storing images shared by another terminal 102.
  • Images stored in the mobile terminal 101 that is, images stored in the shared folder 101b and the gallery folder 101a, can be used as training data for training an artificial neural network, and as a result, the performance of the artificial neural network can be improved. .
  • FIG. 7 is a diagram showing the configuration of an AI processor 19 mounted in a mobile terminal according to an embodiment of the present invention
  • FIG. 8 is a diagram illustrating a process of training an artificial neural network.
  • the AI processor 19 may be configured to include an artificial neural network (ANN) 191 and a data learning unit 192.
  • ANN artificial neural network
  • AI processing may include all operations related to determining a selfie mode and a normal mode.
  • the AI processor 19 may perform AI processing by mapping sensing data and image data, and may perform a control signal generation operation accordingly.
  • An artificial neural network (ANN) 191 may be designed to simulate a human brain structure on a computer, and may include a plurality of network nodes having weights that simulate neurons of a human neural network. have. The plurality of network modes can send and receive data according to their respective connection relationships to simulate the synaptic activity of neurons that send and receive signals through synapses.
  • the neural network may include a deep learning model developed from a neural network model.
  • a deep learning model a plurality of network nodes may be located in different layers and exchange data according to a convolutional connection relationship. Examples of neural network models include deep neural networks (DNN), convolutional deep neural networks (CNN), Recurrent Boltzmann Machine (RNN), Restricted Boltzmann Machine (RBM), and deep trust. It includes various deep learning techniques such as deep belief networks (DBN) and deep Q-network, and can be applied to fields such as computer vision, speech recognition, natural language processing, and speech/signal processing.
  • DNN deep neural networks
  • DNN deep belief networks
  • the processor performing the above-described function may be a general-purpose processor (eg, a CPU), but may be an AI-only processor (eg, a GPU) for artificial intelligence learning.
  • a general-purpose processor eg, a CPU
  • an AI-only processor eg, a GPU
  • the AI processor 19 may include a data learning unit 192 for learning a neural network for data classification/recognition.
  • the data learning unit 192 may learn a criterion for how to classify and recognize data using which training data to use to determine data classification/recognition.
  • the data learning unit 192 may learn the deep learning model by acquiring training data to be used for training and applying the acquired training data to the deep learning model.
  • the data learning unit 192 may be manufactured in the form of at least one hardware chip.
  • the data learning unit 192 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or may be manufactured as a part of a general-purpose processor (CPU) or a dedicated graphics processor (GPU) and mounted on a mobile terminal. have.
  • the data learning unit 192 may be implemented as a software module.
  • the software module When implemented as a software module (or a program module including an instruction), the software module may be stored in a computer-readable non-transitory computer readable media. In this case, at least one software module may be provided by an operating system (OS) or an application.
  • OS operating system
  • application application
  • the data learning unit 192 may include a learning data acquisition unit 192a and a model learning unit 192b.
  • the training data acquisition unit 192a may acquire training data necessary for a neural network model for classifying and recognizing data.
  • the training data acquisition unit 192a may input images stored in the shared folder 101b and the gallery folder 101a as training data into the artificial neural network 191.
  • the model learning unit 192b may train the neural network model 191 to have a criterion for determining how to classify predetermined data by using the acquired training data.
  • the model learning unit 192b inputs training data and output data corresponding thereto to the artificial neural network together, and updates the connection weights of the connecting lines so that output data corresponding to the training data is output through supervised learning. (191) can be learned.
  • the data learning unit 192 further includes a training data preprocessor (not shown) and a training data selection unit (not shown) to improve the analysis result of the recognition model or save resources or time required for generating the recognition model. You may.
  • the learning data preprocessor may preprocess the acquired data so that the acquired data can be used for learning to determine a situation.
  • the training data preprocessor may process the acquired data into a preset format so that the model training unit 192b can use the training data acquired for learning for image recognition.
  • the learning data selection unit may select data necessary for learning from the learning data acquired by the learning data acquisition unit 192a or the training data preprocessed by the preprocessor.
  • the selected training data may be provided to the model learning unit 192b.
  • the learning data selection unit may select only data on an object included in the specific region as the learning data by detecting a specific region among images acquired through the vehicle camera.
  • the data learning unit 192 may further include a model evaluation unit (not shown) to improve the analysis result of the neural network model.
  • the model evaluation unit may input evaluation data to the neural network model, and when an analysis result output from the evaluation data does not satisfy a predetermined criterion, the model learning unit 192b may retrain.
  • the evaluation data may be predefined data for evaluating the recognition model.
  • the model evaluation unit may evaluate as not satisfying a predetermined criterion when the number or ratio of evaluation data in which the analysis result is inaccurate among the analysis results of the learned recognition model for evaluation data exceeds a threshold value. have.
  • FIG. 9 is a diagram illustrating a flow of a method of switching front and rear cameras according to an exemplary embodiment.
  • the present invention may be configured to include a step of executing a camera (S10), an AI processing step (S20), and a step of controlling a camera according to AI processing (S30).
  • the AI processing step S20 may further include inputting the preview image and sensor data to the artificial neural network (S21) and outputting the result value (S23).
  • step S10 is a step in which the user activates the camera by executing the camera app of the mobile terminal 10.
  • the processor 13 loads a related module and executes the camera 161 in response to a user input (eg, a touch of a camera icon or a voice command).
  • a user input eg, a touch of a camera icon or a voice command.
  • the processor 13 may activate the camera that was terminated immediately before among the front camera and the rear camera, or execute a camera set as default. have.
  • the processor 13 may select and activate either a front camera or a rear camera according to a set condition, and may also provide a preview image (refer to the preview image in FIG. 10) through the display unit 121. .
  • the processor 13 may select sensors related to the preview image and activate them. Sensors activated according to the preview image may vary according to the user environment or may be set to activate all sensors by default.
  • the position sensor 146, the acceleration sensor 142, the atmospheric pressure sensor 147, and the temperature/humidity sensor 143 are activated, but the proximity sensor 148 and the gyroscope sensor 145 ) May not be activated.
  • the position sensor 146 and the acceleration sensor 142 are activated in the same manner, but the atmospheric pressure sensor 147 and the temperature/humidity sensor 143 may not be activated.
  • the proximity sensor 148 and the gyroscope sensor 145 that were not activated in the landscape may be activated in the person.
  • step S20 the processor 13 determines whether the current user shoots a mode, that is, a normal mode or a selfie mode through AI processing.
  • AI processing may be performed by inputting information related to the preview image, that is, image data and sensor data to the artificial neural network model (S21).
  • the processor 13 may extract image data from the preview image currently displayed through the display unit 121.
  • the image data may refer to information directly related to the preview image currently being viewed, such as the resolution of the preview image, the file size of the preview image, the location of the preview image, and the tag of the preview image.
  • the processor 13 may obtain sensor data from sensors activated in relation to the preview image. If the preview image is a person, the processor 13 will activate the position sensor 146, the acceleration sensor 142, the proximity sensor 148 and the gyroscope sensor 145, and the processor 13 will It can receive sensor data.
  • the processor 13 extracts sensor data and preview image data related to the preview image and inputs it to the artificial neural network model, but the processor 13 only inputs the preview image to the artificial neural network model. In addition, it is also possible to extract and judge related data as an artificial neural network model.
  • the artificial neural network model receiving the sensor data and the image data maps the sensor data and the image data as learned and outputs a result.
  • the artificial neural network model may include examples as shown in FIGS. 10 to 13 and output a result value.
  • the artificial neural network model may be operated to determine whether it is a normal mode or a selfie mode by extracting an object from a preview image.
  • the object is an object included in the image, and the artificial neural network model is trained to extract the object, or the object may be extracted from the preview image through a known image processing technique.
  • the artificial neural network model 191 may determine whether a person is included in the extracted object. If the artificial neural network model 191 confirms that a person is not included in the preview image, the artificial neural network model 191 may output an output that the current user wants to shoot is a normal mode as a result value.
  • the artificial neural network model 191 determines whether the object is the person's whole body (S33).
  • the whole body refers to the entire character.
  • the whole body may include a state in which a part of the human body is missing, such as a state in which more than 80% of the person is visible. Determination of whether it is a whole body may be made by mapping sensor data to the extracted object to increase accuracy.
  • the photographing angle is in a top-to-bottom shape, the probability of a selfie is high. In this case, a weight is added to the photographing angle to determine a selfie mode.
  • the mobile terminal 10 when the user takes a selfie, the mobile terminal 10 has a very high probability of being inclined toward the user's face. In this position, since the acceleration sensor shows a large displacement at the same time point in the three axes as illustrated, it is possible to increase the probability of determining a selfie mode when mapping this result with the preview image data.
  • the artificial neural network model 191 determines that the mode that the user currently wants to photograph is a normal mode, and outputs the normal mode as a result value.
  • the artificial neural network model 191 may operate to detect the distance between the mobile terminal 10 and the person. As illustrated in FIG. 13, the artificial neural network model 191 may know the distance between the user and the mobile terminal through a value received from the depth sensor (S34). If the mobile terminal 10 faces the user's face, and the distance between the mobile terminal and the user is within a certain range (S35), the artificial neural network model 191 determines that the mode the user wants to take is a selfie mode. I can.
  • the distance between the user and the mobile terminal may be possible only within a certain range.
  • the artificial neural network model 191 may operate to infer a distance of a certain range through a learning process and use it when outputting a result value.
  • the AI processing (S20) may input the result value to the processor 13, and the processor 13 operates the camera according to the input result value and controls the current You can change the active camera to another camera, or keep the currently active camera.
  • FIG. 14 is a diagram schematically showing that the processor controls the camera operation according to the output value according to the AI processing (S20).
  • the processor 13 extracts whether the mode that the user currently wants to shoot is a selfie mode or a normal mode from the received result value of the AI processing (S20).
  • the processor 13 determines whether the currently activated camera is a front camera or a rear camera, and determines whether the camera needs to be switched.
  • the processor outputs a message in voice format to the user. For example, while the rear camera is activated, the processor outputs a message that induces switching to the front camera in the form of a voice or pop-up window, and activates the front camera instead of deactivating the running rear camera in response to the output. I can make it.
  • the user's response is preferably a voice command in consideration of the user's convenience.
  • the above-described present invention can be implemented as a computer-readable code on 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 also a carrier wave (e.g., transmission over the Internet). Therefore, the detailed description above should not be construed as restrictive in all respects and should be considered as illustrative. The scope of the present invention should be determined by rational interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명의 일 실시예는 카메라를 실행하는 단계, 상기 카메라를 통해 입력되는 프리뷰 이미지와 활성화된 센서의 센서 데이터를 인공 신경망(ANN)에 입력하는 단계, 상기 인공 신경망은, 상기 이미지 데이터와 상기 센서 데이터의 조합을 통해 이미지가 전면 카메라 또는 후면 카메라 중 무엇을 통해 촬영된 것인지 판단하도록 훈련된 모델이고, 상기 인공 신경망은 입력된 상기 센서 데이터와 상기 이미지 데이터를 맵핑시켜 셀카 모드인지 또는 일반 모드인지를 판단하고 그 결과를 출력하는 단계, 상기 출력에 대한 응답에 기초해서 상기 실행된 카메라를 다른 카메라로 전환하거나 유지하는 단계를 포함하는 이동 단말기에서 전후면 카메라를 전환하는 방법을 개시한다.

Description

이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기
본 발명은 인공 지능이 탑재된 이동 단말기에 관한 것으로, 보다 구체적으로는 이동 단말기의 전면과 후면에 각각 설치된 전면 카메라와 후면 카메라를 인공 지능을 이용해 자동으로 전환하는 방법 및 그 이동 단말기에 관한 것이다.
인공 지능(Artificial Intelligence, AI) 은 인간 수준의 지능을 구현하는 컴퓨팅으로, 기계가 스스로 학습해 인지 능력이 향상되는 시스템으로, 최근 5G 통신이 가능해짐에 따라 더욱 시장의 주목을 받고 있다.
한편, 휴대폰 또는 핸드폰으로 불리는 이동 단말기는 사람들이 몸에 지니고 다는 필수 전자제품이다. 이 이동 단말기는 전통적인 관점에서 보았을 때 사람간 통화를 위한 수단이었으나, 지금은 전화보다는 대중과 소통하는 중요한 수단으로 사용되고 있다.
이를 위해서, 이동 단말기는 카메라를 포함하는데, 이동 단말기의 전면에 설치된 전면 카메라, 후면에 설치된 후면 카메라를 포함한다. 때문에, 사용자가 카메라를 사용하고자 하면, 전면 카메라 또는 후면 카메라 중 하나를 선택해야 하는 번거로움이 있다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 AI 프로세싱을 통해 사용자가 전면 카메라를 사용할 것인지 후면 카메라를 사용할 것인지를 판단해 해당 카메라를 자동으로 실행시켜 편리함을 제공하는데 그 목적이 있다.
본 발명의 일 실시예에서는 카메라를 실행하는 단계, 상기 카메라를 통해 입력되는 프리뷰 이미지와 활성화된 센서의 센서 데이터를 인공 신경망(ANN)에 입력하는 단계, 상기 인공 신경망은, 상기 이미지 데이터와 상기 센서 데이터의 조합을 통해 이미지가 전면 카메라 또는 후면 카메라 중 무엇을 통해 촬영된 것인지 판단하도록 훈련된 모델이고, 상기 인공 신경망은 입력된 상기 센서 데이터와 상기 이미지 데이터를 맵핑시켜 셀카 모드인지 또는 일반 모드인지를 판단하고 그 결과를 출력하는 단계, 상기 출력에 대한 응답에 기초해서 상기 실행된 카메라를 다른 카메라로 전환하거나 유지하는 단계를 포함하는 이동 단말기에서 전후면 카메라를 전환하는 방법을 개시한다.
상기 출력하는 단계는, 상기 프리뷰 이미지에 포함된 객체를 추출하고 추출된 객체로부터 인물이 포함되어 있는지 판단하는 단계;를 더 포함하고, 추출된 객체가 인물을 포함하지 않으면, 상기 일반 모드로 판단한다.
상기 추출된 객체가 인물을 포함하면, 상기 인물의 크기를 판단해 전신이면 상기 일반 모드로 판단하고, 전신이 아니면, 상기 이동 단말기와 상기 인물 사이의 거리를 추출하고, 추출된 거리를 기설정된 조건과 비교해 일반모드 또는 셀카모드를 판단한다.
상기 방법은 상기 추출된 객체가 복수의 사람을 포함하는 경우에, 상기 복수의 인물들 중 상기 이동 단말기에 가장 가까운 인물을 기준으로 전신인지 아닌지를 판단한다.
상기 센서 데이터는, 상기 이동 단말기의 기울임을 나타내는 촬영 각도, 상기 카메라와 사용자의 얼굴까지의 거리 중 적어도 하나를 포함한다.
상기 이미지 데이터는 상기 프리뷰 이미지의 해상도, 상기 프리뷰 이미지에 포함된 객체의 개수, 상기 객체의 크기, 상기 객체의 종류 중 적어도 하나를 포함한다.
상기 이미지 데이터가 상기 프리뷰 이미지의 해상도이면, 상기 셀카 모드인지 또는 일반 모드인지의 판단은, 상기 해상도가 상기 전면 카메라의 최대 해상도보다 크면 일반 모드로 판단한다.
상기 출력은 음성 형태의 메시지로 사용자에게 제공되고, 상기 응답은 메시지에 대한 사용자의 음성 명령을 포함한다.
상기 신경망 모델은, 상기 이동 단말기에 저장된 이미지를 학습 데이터로 상기 인공 신경망에 입력해 출력 데이터가 상기 이미지가 셀카 모드로 촬영된 것인지 일반 모드로 촬영된 것인지 구별하도록 트레이닝된다.
상기 이동 단말기는 5G 통신을 통해 다른 이동 단말기에 데이터를 공유할 수 있도록 연결되고, 상기 이미지는 상기 다른 이동 단말기로부터 공유된 이미지를 포함한다.
본 발명의 다른 실시예는 이동 단말기 관한 것으로, 전면 및 후면 카메라, 상기 이동 단말기를 센싱해 관련된 다양한 센서 데이터를 생성하는 복수의 센서들, 프리뷰 이미지의 이미지 데이터와 센서 데이터의 조합을 통해 이미지가 전면 카메라 또는 후면 카메라를 통해 촬영된 것인지 판단하도록 훈련된 인공 신경망(ANN), 데이터를 저장하는 메모리, 상기 이동 단말기의 동작을 제어하는 프로세서를 포함하며, 상기 프로세서는, 상기 전면 및 후면 카메라 중 하나를 통해 입력되는 현재 프리뷰 이미지와 상기 복수의 센서들 중 활성화된 센서의 센서 데이터를 상기 인공 신경망에 입력하고, 상기 신경망 모델이 상기 센서 데이터와 상기 이미지 데이터를 맵핑시켜 셀카 모드인지 또는 일반 모드인지를 판단한 결과를 수신해 사용자에게 출력하고, 상기 출력에 대한 응답에 기초해서 상기 실행된 카메라를 다른 카메라로 전환하거나 유지한다.
본 발명에 따르면, 사용자가 단순히 카메라를 실행하는 것에 의해 전면 또는 후면 카메라 중 사용자가 원하는 카메라가 자동으로 실행될 수가 있다. 따라서, 사용자는 매번 카메라를 실행시킬 때마다 전면 또는 후면 카메라 중 하나를 선택해야 하는 번거로움을 피할 수 있다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 선택 방법이 구현되는 통신 환경을 설명하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 이동 단말기(10)의 구성을 보여주는 도면이다.
도 6은 이동 단말기가 5G 통신을 통해 다른 이동 단말기에 저장된 이미지를 공유하는 일 예를 예시하는 도면이다.
도 7은 본 발명의 일 실시예의 이동 단말기에 탑재된 AI 프로세서의 구성을 보여주는 도면이다.
도 8은 인공 신경망을 학습시키는 과정을 설명하는 도면이다.
도 9는 일 실시예의 따른 전후면 카메라를 전환하는 방법의 흐름을 보여주는 도면이다.
도 10 내지 도 13은 촬영 모드를 결정하는 예시들을 보여주는 도면들이다.
도 14는 본 발명의 일 적용예를 설명하는 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5 th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, 쪋}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 4는 본 발명의 일 실시예에 따른 선택 방법이 구현되는 통신 환경을 설명하는 도면이다.
일 실시예에서, 본 발명은 5G 통신(20)을 통해 서로 연결된 복수 개의 이동 단말기(10)를 포함하도록 구성된 통신 환경에서 구현될 수 있다. 여기서, 5G 통신(20)은 도 1 내지 도 3을 가지고 상술한 통신 시스템에 기반한 네트워크일 수 있다.
복수의 이동 단말기(10) 각각은 각 단말기별로 이동 단말기(10)에 설치된 카메라를 이용해서 촬영하고 저장한 이미지들을 포함할 수 있다. 이미지가 이동 단말기에 저장될 때, 이동 단말기(10)는 이미지에 이미지 데이터 및 센서 데이터를 태깅(tagging)시켜 저장할 수 있다.
여기서, 이미지 데이터는 촬영한 이미지의 파일 크기, 해상도, 위치, 태그와 같은 데이터일 수 있고, 센서 데이터는 이동 단말기에 설치된 각종 센서로부터 수집된 데이터일 수 있다. 일 예로, 센서 데이터는 모션 센서가 센싱한 촬영 각도, 뎁스 센서가 센싱한 촬영 거리, 가속도 센서가 센싱한 이동 단말기의 기울임과 같은 데이터일 수 있다.
복수의 이동 단말기(10) 각각은 다른 이동 단말기에 저장된 이미지를 공유하기 위해서 다른 이동 단말기에 연결 요청할 때, 다른 단말기에 저장된 이미지를 공유할 수 있도록 하는 승인 절차를 수행할 수 있고, 승인 절차에 따라 부여된 권한에 맞춰 다른 이동 단말기에 저장된 이미지를 공유하거나 공유하지 못할 수 있다.
도 5는 본 발명의 일 실시예에 따른 이동 단말기(10)의 구성을 보여주는 도면이다.
도 5를 참조하면, 일 실시예의 이동 단말기(10)는 사용자 입력부(11), 출력부(12), 제어부(13), 센싱부(14), 통신부(15), A/V 입력부(16), 메모리(17), AI 프로세서(18)을 포함하도록 구성될 수 있다. 여기서, AI 프로세서(18)는 제어부의 일부 또는 별도로 구성될 수 있다.
사용자 입력부(11)는, 사용자가 데이터를 입력하는 인터페이스를 말한다. 예를들어, 사용자 입력부(11)는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등을 포함할 수 있고, 이에 한정되는 것은 아니다.
출력부(12)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(12)는 디스플레이부(121), 음향 출력부(122), 및 진동 모터(123)를 포함할 수 있다. 일 실시예에서, 출력부(12)는 오디오, 비디오, 및/또는 진동 형태로 메시지를 출력할 수 있다.
디스플레이부(121)는 정보를 표시 출력하는 인터페이스르로, LCD, OLED와 같은 플랫 디스플레이로 구현될 수 있다.
음향 출력부(122)는 통신부(15)로부터 수신되거나 메모리(17)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(122)는 이동 단말기(10)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 예를 들어, 음향 출력부(122)는 이벤트가 발생하였음을 알리기 위한 알림음을 출력할 수 있다.
제어부(13)는, 통상적으로 이동 단말기(10)의 전반적인 동작을 제어한다. 예를 들어, 제어부(13)는, 메모리(17)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(11), 출력부(12), 센싱부(14), 통신부(15), A/V 입력부(16), AI 프로세서(18)의 동작을 전반적으로 제어할 수 있다. 또한, 제어부(13)는 메모리(17)에 저장된 프로그램들을 실행함으로써, 이동 단말기(10)의 기능을 수행할 수 있다. 제어부(13)는 적어도 하나의 프로세서를 구비할 수 있다. 제어부(1300)는 그 기능 및 역할에 따라, 복수의 프로세서들을 포함하거나, 통합된 형태의 하나의 프로세서를 포함할 수 있다.
일 실시예에서, 제어부(13)는 AI 프로세서(18)의 동작을 제어해 프리뷰 이미지와 센싱 데이터를 맵핑해 셀카 모드인지 일반 모드인지를 판단하고, 판단 결과에 따라 카메라(161)를 선택적으로 활성화시킬 수 있다.
센싱부(14)는, 이동 단말기(10)의 상태, 사용자의 상태 또는 이동 단말기(10) 주변의 상태를 감지하고, 감지된 정보를 제어부(13)로 전달할 수 있다.
센싱부(14)는, 지자기 센서(Magnetic sensor)(141), 가속도 센서(Acceleration sensor)(142), 온/습도 센서(143), 적외선 센서(144), 자이로스코프 센서(145), 위치 센서(146), 기압 센서(147), 근접 센서(148), 및 RGB 센서(RGB sensor)(149) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
통신부(15)는, 이동 단말기(10)가 다른 이동 단말기와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 전자 장치(미도시)는 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 또한, 통신부(15)는, 근거리 통신부(151), 이동 통신부(152), 방송 수신부(153)를 더 포함할 수 있다. 근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 이동 통신부(152)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 방송 수신부(153)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다.
A/V(Audio/Video) 입력부(16)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(161)와 마이크로폰(162) 등이 포함될 수 있다.
카메라(161)는 화상 통화 모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(13) 또는 별도의 이미지 처리부(미도시)를 통해 센싱부(14)에서 획득한 센서 데이터와 카메라(161)에서 획득한 이미지의 이미지 데이터와 맵핑되어 저장될 수 있다. 카메라(161)는 위치에 따라 이동 단말기(10)의 전면에 배치된 전면 카메라와 후면에 배치된 후면 카메라를 포함할 수 있다. 본 명세서에서, 셀카 모드라 함음 전면 카메라로 객체를 촬영하는 모드를 말하며, 일반 모드는 후면 카메라로 객체를 촬영하는 모드를 말한다. 전면 카메라는 후면 카메라보다 화소수가 작은 카메라일 수 있고, 따라서 전면 카메라를 통해 촬영된 이미지는 후면 카메라로 촬영된 이미지보다 해상도가 작을 수 있다. 마이크로폰(162)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(162)은 사용자로부터 음성 명령을 수신할 수 있다. 마이크로폰(162)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
메모리(17)는, 제어부(13)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 이동 단말기(10)로 입력되거나 이동 단말기(10)로부터 출력되는 데이터를 저장할 수도 있다.
메모리(17)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory) EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 메모리(17)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(171), 터치 스크린 모듈(172), 알림 모듈(173) 등으로 분류될 수 있다. UI 모듈(171)은, 애플리케이션 별로 이동 단말기(10)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(172)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(13)로 전달할 수 있다.
도 6은 이동 단말기(101)가 5G 통신(20)을 통해 다른 이동 단말기(102)에 저장된 이미지(102a)를 공유하는 일 예를 예시하는 도면이다.
도 6을 참조하면, 일 예에서 이동 단말기(101)는 5G 통신(20)을 통해서 다른 이동 단말기(102)에 통신 가능하도록 연결될 수 있다. 도면에서, 이동 단말기(101)가 하나의 다른 이동 단말기(102)와 연결된 것을 예시하나, 이는 어디까지나 하나의 예시일 뿐이고, 본 발명이 이에 한정되고자 함은 아니다. 바람직하게, 이동 단말기(101)는 복수 개의 다른 이동 단말기(102)에 연결되고, 각 이동 단말기(102)에 저장된 이미지를 공유하도록 구성될 수 있다.
한편, 5G 통신(20)은 두 디바이스가 연결될 때 파일이 공유될 수 있는 정책을 제공할 수 있고, 이동 단말기(101)가 다른 이동 단말기(102)는 상기 정책에 준해서 파일 공유가 가능하도록 연결될 수 있다. 이동 단말기(101)는 다른 이동 단말기(102)와 연결될 때, 이미지를 저장하고 있는 갤러리 폴더(102a)에 대해 읽기 권한을 다른 이동 단말기(102)에 요청하고, 이동 단말기(101)는 이 권한을 승인할 수 있다. 이에 따라, 이동 단말기(101)는 다른 이동 단말기(102)에 저장된 이미지들을 자신의 메모리에 저장할 수가 있다.
이동 단말기(101)는 갤러리 폴더(101a)와 공유 폴더(101b)를 포함하도록 구성될 수 있다. 갤러리 폴더(101a)는 이동 단말기(101)에서 촬영된 이미지를 저장하는 공간이고, 공유 폴더(101b)는 다른 단말기(102)로부터 공유된 이미지들을 저장하는 공간일 수 있다.
이동 단말기(101)에 저장된 이미지들, 즉 공유 폴더(101b) 및 갤러리 폴더(101a)에 저장된 이미지들은 인공 신경망을 트레이닝하기 위한 학습 데이터로 사용될 수 있고, 그 결과 인공 신경망의 성능을 향상시킬 수 있다.
도 7은 본 발명의 일 실시예의 이동 단말기에 탑재된 AI 프로세서(19)의 구성을 보여주는 도면이고, 도 8은 인공 신경망을 학습시키는 과정을 설명하는 도면이다.
이 도면들을 참조하면, AI 프로세서(19)는 인공 신경망(ANN)(191)과 데이터 학습부(192)를 포함하도록 구성될 수 있다.
먼저, 본 명세서에서 AI 프로세싱은 셀카 모드와 일반 모드를 판단과 관련된 모든 동작들을 포함할 수 있다. 일 예에서, AI 프로세서(19)는 센싱 데이터 및 이미지 데이터를 맵핑시켜 AI 프로세싱을 하고, 그에 따른 제어 신호 생성 동작을 수행할 수 있다.
인공 신경망(ANN, Artificial Neural Network)(191)은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
또한, AI 프로세서(19)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(192)를 포함할 수 있다. 데이터 학습부(192)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(192)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(192)는 적어도 하나의 하드웨어 칩 형태로 제작될 수 있다. 예를 들어, 데이터 학습부(192)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 이동 단말기에 탑재될 수도 있다. 또한, 데이터 학습부(192)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(192)는 학습 데이터 획득부(192a) 및 모델 학습부(192b)를 포함할 수 있다.
학습 데이터 획득부(192a)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(192a)는 학습 데이터로서, 공유 폴더(101b) 및 갤러리 폴더(101a)에 저장된 이미지들을 인공 신경망(191)에 입력할 수 있다.
모델 학습부(192b)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델(191)이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습시킬 수 있다. 모델 학습부(192b)는 학습 데이터와 그에 대응하는 출력 데이터를 함께 인공 신경망에 입력하고, 학습 데이터에 대응하는 출력 데이터가 출력되도록 연결선들의 연결 가중치를 업데이트하는 지도 학습(supervised learning)을 통해 인공 신경망(191)을 학습시킬 수 있다.
데이터 학습부(192)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(192b)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(192a)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(192b)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(192)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(192b)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
이하, 도 9를 참조로 본 발명의 일 실시예에 따른 전후면 카메라를 전환하는 방법을 설명한다. 도 9는 일 실시예에 따른 전후면 카메라를 전환하는 방법의 흐름을 보여주는 도면이다.
도 9를 참조하면, 일 실시예에 따른 본 발명은 카메라를 실행하는 단계(S10), AI 프로세싱 단계(S20), AI 프로세싱에 따라 카메라를 제어하는 단계(S30)를 포함하도록 구성될 수 있다. AI 프로세싱 단계(S20)는 프리뷰 이미지와 센서 데이터를 인공 신경망에 입력하는 단계(S21)와 결과값을 출력하는 단계(S23)을 더 포함할 수 있다.
먼저, S10 단계는 사용자가 이동 단말기(10)의 카메라 앱(app)을 실행시켜 카메라를 활성화하는 단계이다. 이 단계에서, 프로세서(13)는 사용자가 입력(일 예로, 카메라 아이콘의 터치 또는 음성 명령)에 응답해 관련 모듈을 로딩시켜 카메라(161)를 실행시키게 된다. 프로세서(13)는 사용자의 입력에 대한 응답으로 카메라(161)를 실행시킬 때, 전면 카메라와 후면 카메라 중 바로 직전에 종료한 카메라를 활성화시키거나, 또는 디폴트(default)로 설정된 카메라를 실행시킬 수 있다.
이 단계에서, 프로세서(13)는 설정된 조건에 따라 전면 카메라 또는 후면 카메라 중 어느 하나를 선택하고 활성화시키고, 또한 디스플레이부(121)를 통해 프리뷰 이미지(도 10의 프리뷰 이미지 참조)를 제공할 수 있다.
또한 프로세서(13)는 프리뷰 이미지와 관련된 센서들을 선택해 이들을 활성화시킬 수 있다. 프리뷰 이미지에 맞춰 활성화되는 센서들은 사용자 환경에 따라 다르거나 또는 디폴트로 모든 센서를 활성화시키도록 설정되어 있을 수 있다.
예를 들어서, 프리뷰 이미지가 풍경이라면, 위치 센서(146), 가속도 센서(142), 기압 센서(147), 온/습도 센서(143)가 활성화되지만, 근접 센서(148)와 자이로스코프 센서(145)는 활성화되지 않을 수 있다. 또는 프리뷰 이미지가 인물이라면, 위치 센서(146), 가속도 센서(142)는 동일하게 활성화되지만, 기압 센서(147), 온/습도 센서(143)는 활성화되지 않을 수 있다. 그리고, 풍경에서는 활성화되지 않았던 근접 센서(148)와 자이로스코프 센서(145)가 인물에서는 활성화될 수 있다.
S20 단계에서, 프로세서(13)는 AI 프로세싱을 통해 현재 사용자가 촬영하는 모드, 즉 일반 모드인지 셀카 모드인지를 판단하게 된다. 전술한 바와 같이, AI 프로세싱은 인공 신경망 모델에 프리뷰 이미지와 관련한 정보들, 즉 이미지 데이터와 센서 데이터를 인공 신경망 모델에 입력하는 것에 의해 실시될 수 있다(S21).
프로세서(13)는 디스플레이부(121)를 통해서 현재 보여지는 프리뷰 이미지로부터 이미지 데이터를 추출할 수 있다. 여기서, 이미지 데이터는 프리뷰 이미지의 해상도, 프리뷰 이미지의 파일 크기, 프리뷰 이미지의 위치, 프리뷰 이미지의 태그와 같이 현재 보여지고 있는 프리뷰 이미지와 직접 관련된 정보들에 관한 것일 수 있다.
또한 프로세서(13)는 프리뷰 이미지와 관련해서 활성화된 센서들로부터 센서 데이터를 획득할 수 있다. 프리뷰 이미지가 인물이면, 프로세서(13)는 위치 센서(146), 가속도 센서(142), 근접 센서(148)와 자이로스코프 센서(145)가 활성화될 것이고, 프로세서(13)는 활성화된 이들 센서로부터 센서 데이터를 수신할 수 있다.
한편, 상술한 설명에서는 프로세서(13)가 프리뷰 이미지와 관련된 센서 데이터 및 프리뷰 이미지 데이터를 추출하고, 인공 신경망 모델에 입력하는 것으로 설명하였으나, 프로세서(13)는 프리뷰 이미지를 인공 신경망 모델에 입력만 하고, 관련 데이터의 추출 및 판단은 인공 신경망 모델 것 역시 가능하다.
다음 단계(S23)에서, 센서 데이터와 이미지 데이터를 입력받은 인공 신경망 모델은 학습된 대로 센서 데이터와 이미지 데이터를 맵핑시켜 결과를 출력하게 된다.
인공 신경망 모델은 도 10 내지 도 13와 같은 예시들을 포함해 그 결과값을 출력할 수 있다.
이 도면들을 참조하면, 인공 신경망 모델은 프리뷰 이미지에서 객체를 추출해 일반모드인지 셀카 모드인지를 판단하도록 동작할 수 있다. 여기서, 객체는 이미지에 포함된 오브젝트로, 인공 신경망 모델은 객체를 추출하도록 훈련되어 있거나, 또는 알려진 이미지 프로세싱 기술을 통해 프리뷰 이미지로부터 객체를 추출할 수가 있다.
인공 신경망 모델(191)은 추출된 객체에 인물이 포함되어 있는지를 판단할 수 있다. 인공 신경망 모델(191)은 프리뷰 이미지에 인물이 포함되어 있지 않은 것을 확인했다면, 인공 신경망 모델(191)은 현재 사용자가 촬영하고자 하는 것은 일반 모드라는 출력을 결과값으로 출력할 수 있다.
만약, 추출된 객체에 인물이 포함되어 있다면, 도 11과 같은 판단의 연산 과정을 더 수행하게 된다.
도 11에서, S31 단계 및 S32 단계를 통해서 객체에 인물이 포함된 것으로 판단하였다면, 인공 신경망 모델(191)은 객체가 인물의 전신인지를 판단하게 된다(S33). 여기서, 전신이라 함은 인물의 전체를 말한다. 또는 전신은 인물의 80% 이상이 보이는 상태와 같이 인체의 일부가 빠져 있는 상태도 포함될 수 있다. 전신인지에 대한 판단은, 정확도를 높이기 위해서 추출된 객체에 센서 데이터를 맵핑시켜 이뤄질 수도 있다.
예를 들어, 객체는 인체의 일부이더라도 촬영 각도가 위에서 아래를 향하는 형태라면 셀카일 확률이 높으므로, 이 경우에 촬영 각도에 가중치를 더 주어 셀카 모드로 판단할 수 있다.
도 12 또는 도 13의 예시와 같이, 사용자가 셀카를 촬영하는 경우에, 이동 단말기(10)는 사용자의 얼굴을 향하면서 기울어진 상태일 확률이 매우 높다. 이 같은 위치라면, 가속도 센서는 예시된 바와 같이 3 축이 동일한 시점에 큰 변위를 보이게 되므로, 이 결과를 프리뷰 이미지 데이터와 맵핑하는 경우에 셀카 모드로 판단할 확률을 높일 수 있다.
S33 단계의 판단에 따라 전신이라고 판단되면, 인공 신경망 모델(191)은현재 사용자가 촬영하고자 하는 모드는 일반 모드라고 판단하고, 결과값으로 일반모드를 출력하게 된다.
S33 단계의 판단에서 전신이 아니라면, 인공 신경망 모델(191)은 이동 단말기(10)와 인물 사이의 거리를 검출하도록 동작할 수 있다. 도 13의 예시와 같이 인공 신경망 모델(191)은 뎁스 센서로부터 수신된 값을 통해서 사용자와 이동 단말기 간의 거리를 알 수 있다(S34). 이동 단말기(10)가 사용자의 얼굴을 향하고 있고, 이동 단말기와 사용자의 거리가 일정 범위내인 경우라면(S35), 인공 신경망 모델(191)은 현재 사용자가 촬영하고자 하는 모드는 셀카 모드로 판단할 수 있다.
도구의 도움없이 셀카를 찍는 경우라면, 사용자와 이동 단말기 사이의 거리는 일정 범위내에서만 가능할 수 있다. 인공 신경망 모델(191)은 학습 과정을 통해 일정 범위의 거리를 추론하고, 결과값을 출력할 때 이를 활용하도록 동작할 수 있다.
다시 도 9로 돌아가서, 상술한 바와 같은 판단에 따라 AI 프로세싱(S20)은 그 결과값을 프로세서(13)에 입력할 수 있고, 프로세서(13)는 입력된 결과값에 맞춰 카메라를 동작 제어해 현재 활성화된 카메라를 다른 카메라로 변경하거나, 또는 현재 활성화된 카메라를 유지할 수 있다.
도 14는 AI 프로세싱(S20)에 따른 출력값에 따라 프로세서가 카메라를 동작 제어하는 것을 모식적으로 보여주는 도면이다.
도 14를 참조하면, 프로세서(13)는 수신된 AI 프로세싱(S20)의 결과값으로부터 현재 사용자가 촬영하고자 하는 모드가 셀카 모드인지 일반 모드인지를 추출하게 된다.
다음으로, 프로세서(13)는 프로세서(13)는 현재 활성화된 카메라가 전면 카메라인지 후면 카메라인지를 판단해 카메라의 전환이 필요한지를 판단하게 된다.
그 결과 전환이 필요하다면, 프로세서는 음성 형태의 메시지를 사용자에게 출력하게 된다. 일 예로, 프로세서는 후면 카메라가 활성화된 상태에서, 음성 또는 팝업 창 형태로 전면 카메라로 전환을 유도하는 메시지를 출력하고, 출력에 대한 응답에 맞춰 실행중인 후면 카메라를 비활성화시키는 대신에 전면 카메라를 활성화시킬 수 있다. 사용자의 응답은 사용자의 편리성을 고려해 음성 명령인 것이 바람직하다.
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 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (20)

  1. 카메라를 실행하는 단계;
    상기 카메라를 통해 입력되는 프리뷰 이미지와 활성화된 센서의 센서 데이터를 인공 신경망(ANN)에 입력하는 단계;
    상기 인공 신경망은, 상기 이미지 데이터와 상기 센서 데이터의 조합을 통해 이미지가 전면 카메라 또는 후면 카메라 중 무엇을 통해 촬영된 것인지 판단하도록 훈련된 모델이고,
    상기 인공 신경망은 입력된 상기 센서 데이터와 상기 이미지 데이터를 맵핑시켜 셀카 모드인지 또는 일반 모드인지를 판단하고 그 결과를 출력하는 단계;
    상기 출력에 대한 응답에 기초해서 상기 실행된 카메라를 다른 카메라로 전환하거나 유지하는 단계;
    를 포함하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  2. 제1항에 있어서,
    상기 출력하는 단계는,
    상기 프리뷰 이미지에 포함된 객체를 추출하고 추출된 객체로부터 인물이 포함되어 있는지 판단하는 단계;를 더 포함하고,
    추출된 객체가 인물을 포함하지 않으면, 상기 일반 모드로 판단하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  3. 제2항에 있어서,
    추출된 객체가 인물을 포함하면, 상기 인물의 크기를 판단해 전신이면 상기 일반 모드로 판단하고,
    전신이 아니면, 상기 이동 단말기와 상기 인물 사이의 거리를 추출하고, 추출된 거리를 기설정된 조건과 비교해 일반모드 또는 셀카모드를 판단하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  4. 제3항에 있어서,
    상기 추출된 객체가 복수의 사람을 포함하는 경우에, 상기 복수의 인물들 중 상기 이동 단말기에 가장 가까운 인물을 기준으로 전신인지 아닌지를 판단하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  5. 제1항에 있어서,
    상기 센서 데이터는, 상기 이동 단말기의 기울임을 나타내는 촬영 각도, 상기 카메라와 사용자의 얼굴까지의 거리 중 적어도 하나를 포함하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  6. 제1항에 있어서,
    상기 이미지 데이터는 상기 프리뷰 이미지의 해상도, 상기 프리뷰 이미지에 포함된 객체의 개수, 상기 객체의 크기, 상기 객체의 종류 중 적어도 하나를 포함하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  7. 제6항에 있어서,
    상기 이미지 데이터가 상기 프리뷰 이미지의 해상도이면,
    상기 셀카 모드인지 또는 일반 모드인지의 판단은,
    상기 해상도가 상기 전면 카메라의 최대 해상도보다 크면 일반 모드로 판단하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  8. 제1항에 있어서,
    상기 출력은 음성 형태의 메시지로 사용자에게 제공되는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  9. 제8항에 있어서,
    상기 응답은 메시지에 대한 사용자의 음성 명령을 포함하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  10. 제1항에 있어서,
    상기 신경망 모델은, 상기 이동 단말기에 저장된 이미지를 학습 데이터로 상기 인공 신경망에 입력해 출력 데이터가 상기 이미지가 셀카 모드로 촬영된 것인지 일반 모드로 촬영된 것인지 구별하도록 트레이닝된 이동 단말기에서 전후면 카메라를 전환하는 방법.
  11. 제10항에 있어서,
    상기 이동 단말기는 5G 통신을 통해 다른 이동 단말기에 데이터를 공유할 수 있도록 연결되고,
    상기 이미지는 상기 다른 이동 단말기로부터 공유된 이미지를 포함하는 이동 단말기에서 전후면 카메라를 전환하는 방법.
  12. 이동 단말기에 있어서,
    전면 및 후면 카메라;
    상기 이동 단말기를 센싱해 관련된 다양한 센서 데이터를 생성하는 복수의 센서들;
    프리뷰 이미지의 이미지 데이터와 센서 데이터의 조합을 통해 이미지가 전면 카메라 또는 후면 카메라를 통해 촬영된 것인지 판단하도록 훈련된 인공 신경망(ANN);
    데이터를 저장하는 메모리; 및
    상기 이동 단말기의 동작을 제어하는 프로세서를 포함하며,
    상기 프로세서는,
    상기 전면 및 후면 카메라 중 하나를 통해 입력되는 현재 프리뷰 이미지와 상기 복수의 센서들 중 활성화된 센서의 센서 데이터를 상기 인공 신경망에 입력하고,
    상기 신경망 모델이 상기 센서 데이터와 상기 이미지 데이터를 맵핑시켜 셀카 모드인지 또는 일반 모드인지를 판단한 결과를 수신해 사용자에게 출력하고, 상기 출력에 대한 응답에 기초해서 상기 실행된 카메라를 다른 카메라로 전환하거나 유지하는 이동 단말기.
  13. 제12항에 있어서,
    상기 프로세서는,
    상기 프리뷰 이미지에 포함된 객체를 추출하고 추출된 객체로부터 인물이 포함되어 있는지 판단하고,
    추출된 객체가 인물을 포함하지 않으면, 상기 일반 모드로 판단하는 이동 단말기
  14. 제13항에 있어서,
    상기 프로세서는,
    추출된 객체가 인물을 포함하면, 상기 인물의 크기를 판단해 전신이면 상기 일반 모드로 판단하고,
    전신이 아니면, 상기 이동 단말기와 상기 인물 사이의 거리를 추출하고, 추출된 거리를 기설정된 조건과 비교해 일반모드 또는 셀카모드를 판단하는 이동 단말기.
  15. 제14항에 있어서,
    상기 프로세서는,
    상기 추출된 객체가 복수의 사람을 포함하는 경우에, 상기 복수의 인물들 중 상기 이동 단말기에 가장 가까운 인물을 기준으로 전신인지 아닌지를 판단하는 이동 단말기.
  16. 제12항에 있어서,
    상기 센서 데이터는, 상기 이동 단말기의 기울임을 나타내는 촬영 각도, 상기 카메라와 사용자의 얼굴까지의 거리 중 적어도 하나를 포함하는 이동 단말기.
  17. 제12항에 있어서,
    상기 이미지 데이터는 상기 프리뷰 이미지의 해상도, 상기 프리뷰 이미지에 포함된 객체의 개수, 상기 객체의 크기, 상기 객체의 종류 중 적어도 하나를 포함하는 이동 단말기.
  18. 제17항에 있어서,
    상기 이미지 데이터가 상기 프리뷰 이미지의 해상도이면,
    상기 프로세서는,
    상기 해상도가 상기 전면 카메라의 최대 해상도보다 크면 일반 모드로 판단하는 이동 단말기.
  19. 제12항에 있어서,
    상기 신경망 모델은, 상기 이동 단말기에 저장된 이미지를 학습 데이터로 상기 인공 신경망에 입력해 출력 데이터가 상기 이미지가 셀카 모드로 촬영된 것인지 일반 모드로 촬영된 것인지 구별하도록 트레이닝된 이동 단말기.
  20. 제19항에 있어서,
    상기 이동 단말기는 5G 통신을 통해 다른 이동 단말기에 데이터를 공유할 수 있도록 연결되고,
    상기 이미지는 상기 다른 이동 단말기로부터 공유된 이미지를 포함하는 이동 단말기.
PCT/KR2019/009151 2019-07-24 2019-07-24 이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기 WO2021015337A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/009151 WO2021015337A1 (ko) 2019-07-24 2019-07-24 이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/009151 WO2021015337A1 (ko) 2019-07-24 2019-07-24 이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기

Publications (1)

Publication Number Publication Date
WO2021015337A1 true WO2021015337A1 (ko) 2021-01-28

Family

ID=74192941

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/009151 WO2021015337A1 (ko) 2019-07-24 2019-07-24 이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기

Country Status (1)

Country Link
WO (1) WO2021015337A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113840092A (zh) * 2021-11-25 2021-12-24 荣耀终端有限公司 一种摄像头的切换方法及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012185552A (ja) * 2011-03-03 2012-09-27 Nikon Corp 画像判断装置、画像処理装置、カメラ及び画像判断プログラム
JP2013074428A (ja) * 2011-09-27 2013-04-22 Fujifilm Corp 自分撮り判断装置、撮像装置、プログラム及び自分撮り判断方法
KR20150022356A (ko) * 2013-08-23 2015-03-04 에스케이플래닛 주식회사 카메라 애플리케이션 구동 장치 및 방법
KR20170015089A (ko) * 2015-07-29 2017-02-08 삼성전자주식회사 사용자 단말 장치 및 그 제어 방법
KR20170093658A (ko) * 2016-02-05 2017-08-16 삼성전자주식회사 복수의 디스플레이들을 포함하는 전자 장치 및 그 동작 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012185552A (ja) * 2011-03-03 2012-09-27 Nikon Corp 画像判断装置、画像処理装置、カメラ及び画像判断プログラム
JP2013074428A (ja) * 2011-09-27 2013-04-22 Fujifilm Corp 自分撮り判断装置、撮像装置、プログラム及び自分撮り判断方法
KR20150022356A (ko) * 2013-08-23 2015-03-04 에스케이플래닛 주식회사 카메라 애플리케이션 구동 장치 및 방법
KR20170015089A (ko) * 2015-07-29 2017-02-08 삼성전자주식회사 사용자 단말 장치 및 그 제어 방법
KR20170093658A (ko) * 2016-02-05 2017-08-16 삼성전자주식회사 복수의 디스플레이들을 포함하는 전자 장치 및 그 동작 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113840092A (zh) * 2021-11-25 2021-12-24 荣耀终端有限公司 一种摄像头的切换方法及电子设备
CN113840092B (zh) * 2021-11-25 2022-04-15 荣耀终端有限公司 一种摄像头的切换方法及电子设备

Similar Documents

Publication Publication Date Title
US11348329B2 (en) Method and apparatus for recognizing a business card using federated learning
US10936904B2 (en) Method and apparatus for recognizing handwritten characters using federated learning
WO2020246632A1 (ko) 자율 주행 차량과 그 제어 방법
US11073541B2 (en) Intelligent method for controlling home appliance, apparatus and intelligent computing device for controlling home appliance
US20200092465A1 (en) Method for editing image based on artificial intelligent and artificial device
WO2019245329A1 (en) Method and apparatus for performing conditional cell change in wireless communication system
WO2021010506A1 (ko) 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2020246649A1 (ko) 엣지 컴퓨팅 디바이스에서 음성 인식 방법
WO2020241944A1 (ko) 차량 제어 방법 및 차량을 제어하는 지능형 컴퓨팅 디바이스
WO2019245304A1 (en) Method and apparatus for performing conditional cell change based on channel occupancy in wireless communication system
WO2021002486A1 (ko) 음성인식 방법 및 그 장치
KR20210128074A (ko) 립리딩 기반의 화자 검출에 따른 오디오 줌
WO2021085778A1 (ko) 지능형 세탁기
WO2020032532A1 (en) Method and apparatus for monitoring paging on unlicensed bands in wireless communication system
US11057750B2 (en) Intelligent device controlling method, mobile terminal and intelligent computing device
WO2020251067A1 (ko) 인공 지능형 냉장고 및 이의 식품 보관 방법
WO2020246639A1 (ko) 증강현실 전자기기의 제어방법
WO2020262737A1 (ko) 지능형 로봇 청소기
WO2021020633A1 (ko) 인공 지능형 의류 처리 장치와 그 구동방법
WO2020032674A1 (en) Method of performing beam management, and device therefor
WO2021010504A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2021015302A1 (ko) 이동 로봇 및 이동 로봇에서 화자의 위치를 추적하는 방법
WO2018066882A1 (ko) 전자 장치 및 전자 장치에서의 무선 통신 방법
WO2021015337A1 (ko) 이동 단말기에서 전후면 카메라를 전환하는 방법 및 그 이동 단말기

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: 19938149

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19938149

Country of ref document: EP

Kind code of ref document: A1