Ali Asmari, PhD, leder af AI og Machine Learning hos ULC Technologies – Interview Series

Ali Asmari, ph.d. er leder af AI og maskinlæring på ULC Technologies. ULC Technologies betragtes som en pioner inden for robotteknologi og teknologiudvikling til energi-, forsynings- og industrimarkederne. Siden starten i 2001 har fokus for ULC altid været forbedring af forsyningsdrift og støtte til forbedring af infrastruktur.

Hvad tiltrak dig oprindeligt til robotteknologi og kunstig intelligens?

Jeg var meget god til matematik og fysik i gymnasiet, hvilket førte til, at jeg læste maskinteknik på college. Mine yndlingsemner på college var Maskindynamik og ikke-lineær kontrol, som begge er nødvendige for kontrol af robotsystemer. Disse emner giver dig alle de nødvendige værktøjer til at gøre din robotfantasi til virkelighed. Jeg byggede ikke kun mine egne robotter på college, men jeg konkurrerede også i internationale robotkonkurrencer over hele verden. Jeg besluttede også at studere feltet yderligere og begyndte at studere for at blive robotiker.

Machine learning var et koncept, der blev meget populært i anvendelse i begyndelsen af ​​2010. Efter at have taget et par grundkurser i Machine Learning og Neural Network, begyndte jeg straks at anvende metoderne i min forskning og arbejde. Jeg er personligt overrasket over, hvor ens maskinlæringskoncepter er til den måde, den menneskelige hjerne lærer og fungerer. Brug af maskinlæring i robotteknologi er relativt nyt og har en lang vej at gå, og jeg føler mig meget heldig at være en del af denne bevægelse.

ULC Technologies har mange robotter, der er designet til at gå under jorden i vanskeligt terræn. Hvad er nogle af udfordringerne bag at opbygge fuldstændig autonom forhindringsforståelse og stiplanlægning for disse typer robotter?

Meget af vores arbejde har været fokuseret på inspektion og intern sanering af ældre rørledninger i byområder, og inden for disse rørledninger findes der ofte affald, hvilket gør helt autonome løsninger udfordrende. Som en løsning udviklede ULC kommercielle rørledningsrobotsystemer, der manuelt drives gennem gasnettet. I løbet af de sidste 20 år er vores ekspertise inden for pipeline-robotik blevet udvidet, hvilket giver os mulighed for nu at integrere flere elementer af automatisering og maskinlæring.

Et sådant initiativ kaldes Distribution Network Information Mapping (DNIM), som er et samarbejdsprojekt med det britiske gasnetværk, SGN, for at anvende maskinlæring på rørledningsnetværk, så vi effektivt kan identificere og kortlægge rørledningen og funktionerne i røret. Disse data vil i sidste ende hjælpe med at åbne veje til undgåelse af forhindringer og stiplanlægning i disse meget komplekse pipeline-miljøer.

Hvad er nogle af de nuværende robotløsninger, der tilbydes? 

ULC samarbejder med forsynings- og energiselskaber om at udvikle og implementere robotløsninger til inspektion, reparation og vedligeholdelse over og under jordens infrastruktur såsom rørledninger, LNG-anlæg, transformerstationer og andre komplekse miljøer.

Vi udviklede en robot kaldet CISBOT som går ind i strømførende støbejernsgasledninger og går gennem røret for indvendigt at tætne samlingerne, hvilket hjælper gasnetværk med at forhindre eventuelle lækager og forlænger rørets levetid i op til 50 år, alt sammen uden at lukke for gas til kunderne. ULC udviklede også en suite af robotter kamera- og crawlersystemer til at inspicere strømførende gasledninger, hjælpe forsyningsselskaber med at reducere risikoen, forbedre effektiviteten og løse driftsmæssige udfordringer.

Ud over vores nuværende underjordiske robotsystemer har vi også et internt R&D-team, der arbejder på robotløsninger til andre industrier. Et eksempel er Robotic Roadwork & Excavation System (RRES), et projekt, som vi udvikler i samarbejde med den britiske virksomhed, SGN. RRES er et helelektrisk robotsystem, der er lavet til at erstatte konventionelle udgravningsmetoder med funktioner, der inkluderer registrering under jorden, kerneboring og skæring af vejbaner, automatiseret soft touch-udgravning, rørinstallationer og derefter muligheden for at genoprette vejbanen. Gennem yderligere udvikling håber vi at udvide rækken af ​​operationer, som RRES kan udføre i fremtiden.

Dette er blot et udpluk af de robotløsninger, som vi tilbyder i øjeblikket, men yderligere information om vores teknologier kan findes på vores hjemmeside. Vi har mange andre projekter under udvikling og søger altid at samarbejde med virksomheder inden for forsynings-, energi- og industriindustrien, der søger automatiserede løsninger.

Hvilken type data indsamles?

ULC Technologies bygger skræddersyede robotløsninger til at løse forskellige tekniske udfordringer i branchen. Baseret på typen af ​​applikation, fanger hver robot forskellige typer data fra sit miljø. Følgende er en liste over nogle af de populære typer data, som vi indsamler gennem vores inspektionsoperation:

1. Farvebilleder i høj opløsning. Som et eksempel er vores Ubemandede luftfartøjer (UAV) optag 40MPixel-billeder under inspektionsarbejde
2. 3D punktskyer. Et eksempel på dette er 3D-punktskyerne, som nogle af vores in-pipe crawler-robotter indsamler.
3. Nogle af vores overjordiske robotter behandler LIDAR-data til navigation
4. Infrarøde billeder. Vores UAV'er og Asset Identification and Mapping (AIM) løsning kan fange infrarøde billeder under inspektionsarbejde til tilstandsvurdering af aktiver.
5. Højfrekvent radar. RRES (Robotic Roadworks and Excavation System) bruger Ground Penetrating Radar til at kortlægge placeringen af ​​nedgravede aktiver under jorden.

Der er mange flere forskellige typer data, som nogle af vores platforme indsamler til forskellige formål, som ikke er inkluderet på denne liste på grund af deres specifikke anvendelse til én branche.

Kan du diskutere, hvordan disse billeder er geotagget?

På hver robotplatform foregår geotagging af de optagne billeder unikt for det pågældende system og den tilgængelige information i dets miljø.

Vores AIM-system bruger en indbygget GPS til at kortlægge stien for vores undersøgelseskøretøj. Ved at bruge andre indbyggede sensorer, computervisionsalgoritmer og målsporing måler vores proprietære software placeringen af ​​hvert identificeret aktiv og geotagger deres billeder i overensstemmelse hermed. I miljøer uden GPS, såsom inde i et underjordisk rør, bruger vores robotter andre metoder til at kommunikere med de overjordiske undersøgelseskøretøjer for at geotagge de opfangede data inde fra røret.

Hvad er nogle af de maskinlæringsteknologier, der i øjeblikket bruges til at behandle dataene?

Der er tre hovedmetoder til maskinlæring, der bliver brugt i robotteknologi og autonom databehandling, som alle bliver brugt i forskellige applikationer hos ULC Technologies.

1. Supervised Learning, hvor ground truth er nødvendig for at træne modellen. Disse modeller har højere nøjagtighed i databehandling. ULC's AIM-løsning bruger denne model til at identificere overjordiske elektriske infrastrukturaktiver med høj nøjagtighed og repeterbarhed.
2. Unsupervised Learning, hvor modellen identificerer ligheder og anomalier i dataene. Vi har brugt denne metode til at behandle kameraoptagelserne fra vores in-pipe crawlere og kortlægge deres placering langs røret.
3. Reinforcement Learning, som er et belønningsbaseret system til at træne komplicerede enheder uden komplicerede omvendt kinematiske beregninger. Vi bruger denne metode til at betjene robotarmen på RRES-platformen til at udføre forskellige udgravningsoperationer.

Er der andet, du gerne vil dele om ULC Technologies?

Vi søger altid at samarbejde med ledere i industri-, energi- og byggeindustrien for at identificere og samarbejde om udviklingen af ​​innovative løsninger. Gennem vores arbejde og felttest fortsætter vi med at forbedre vores AI- og maskinlæringskapaciteter og ser frem til at løse nye udfordringer for vores kunder i fremtiden.

Tak for det gode interview, læsere, der ønsker at lære mere, bør besøge ULC Technologies.