Ali Asmari, PhD, leder af AI og maskinlæring hos ULC Technologies – Interviewserie

Ali Asmari, PhD er leder af AI og maskinlæring hos ULC Technologies. ULC Technologies regnes for at være en pioner indenfor robotteknologi og teknologiudvikling til energi-, utility- og industrielle markeder. Siden starten i 2001 har ULC’s fokus altid været på at forbedre utility-operationer og støtte infrastrukturforbedringer.

Hvad var det, der oprindeligt tiltrak dig til robotteknologi og AI?

Jeg var meget god til matematik og fysik i gymnasiet, hvilket ledte mig til at studere maskinteknik på universitetet. Mine yndlingsemner på universitetet var Maskinteknik og Ikke-lineær Kontrol, begge af hvilke er nødvendige for kontrol af robotsystemer. Disse emner giver dig alle de nødvendige værktøjer til at omdanne din robotfantasi til virkelighed. Jeg byggede ikke kun mine egne robotter på universitetet, men deltog også i internationale robotkonkurrencer over hele verden. Jeg besluttede også at videreuddanne mig i faget og startede på en ph.d.-uddannelse for at blive robottekniker.

Maskinlæring var et begreb, der blev meget populært i anvendelse i begyndelsen af 2010. Efter at have taget et par grundlæggende kurser i Maskinlæring og Neurale Netværk, begyndte jeg straks at anvende metoderne i min forskning og arbejde. Jeg er personligt forbavset over, hvor lignende maskinlæringsbegreber er til måden, hvorpå det menneskelige hjerte lærer og fungerer på. Anvendelse af maskinlæring i robotteknologi er relativt ny og har langt til 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 nogle svære terræner. Hvad er nogle af udfordringerne med at bygge fuldt autonome hindringsundgåelse og ruteplanlægning for disse typer robotter?

Meget af vores arbejde har været fokuseret på inspektion og intern reparation af ældre rørledninger i urbane områder, og indenfor disse rørledninger er der ofte affald, hvilket gør fuldt autonome løsninger udfordrende. Som løsning har ULC udviklet kommercielle rørrobot-systemer, der kan køres manuelt gennem gasledninger. Over de sidste 20 år har vores ekspertise indenfor rørrobotik udvidet sig, så vi nu kan integrere flere elementer af automation og maskinlæring.

Et sådant initiativ er kaldt Distribution Network Information Mapping (DNIM), som er et samarbejdsprojekt med det britiske gasnetværk, SGN, for at anvende maskinlæring til rørnetværk, så vi kan effektivt identificere og kortlægge rørledningerne og funktionerne indenfor røret. Disse data vil til sidst hjælpe med at åbne vej for hindringsundgåelse og ruteplanlægning i disse komplekse rør-miljøer.

Hvad er nogle af de nuværende robotløsninger, der tilbydes?

ULC arbejder med utility- og energiselskaber for at udvikle og implementere robotløsninger til inspektion, reparation og vedligeholdelse af over- og underjordisk infrastruktur, såsom rørledninger, LNG-anlæg, kraftværker og andre komplekse miljøer.

Vi har udviklet en robot kaldet CISBOT, som kan gå ind i levende cast-iron gasledninger og rejse gennem røret for at internationalet tætne samlinger, hvilket hjælper gasnetværk med at forhindre lækkager og forlænge rørets levetid med op til 50 år, uden at afbryde gasforsyningen til kunderne. ULC har også udviklet en samling af robot- kamera- og kravlersystemer til inspektion af levende gasledninger, hvilket hjælper utility-selskaber med at reducere risiko, forbedre effektivitet og løse operationelle udfordringer.

Udenfor vores nuværende underjordiske robot-systemer har vi også et internt udviklingsteam, der arbejder på robotløsninger til andre industrier. Et eksempel er Robotic Roadworks & Excavation System (RRES), et projekt, som vi udvikler i samarbejde med det britiske selskab, SGN. RRES er et fuldt elektrisk robot-system designet til at erstatte konventionelle metoder til udgravning med muligheder for underjordisk føling, boring og skæring af vejbaner, automatiseret blød udgravning, rørinstallationer og mulighed for at genskabe vejbanen. Gennem yderligere udvikling håber vi at udvide omfanget af operationer, som RRES kan udføre i fremtiden.

Dette er kun et udvalg af de robotløsninger, vi tilbyder, men yderligere information om vores teknologier kan findes på vores website. Vi har mange andre projekter under udvikling og søger altid efter at samarbejde med selskaber indenfor utility-, energi- og industrielle brancher, der søger efter automatiserede løsninger.

Hvilken type data indsamles?

ULC Technologies bygger brugerdefinerede robotløsninger til at løse forskellige tekniske udfordringer i branchen. Afhængigt af applikationstypen indsamler hver robot forskellige typer data fra sin omgivelse. Følgende er en liste over nogle af de mest populære data, vi indsamler under vores inspektion:

1. Højopløselige farvebilleder. Eksempelvis indsamler vores UAV 40-megapixels billeder under inspektion.
2. 3D-punktskyer. Et eksempel herpå er de 3D-punktskyer, som nogle af vores in-pipe kravler-robotter indsamler.
3. Nogle af vores overjordiske robotter behandler LIDAR-data til navigation.
4. Infrarøde billeder. Vores UAV og Asset Identification and Mapping (AIM) løsning kan indsamle infrarøde billeder under inspektion til tilstandsvurdering af aktiver.
5. Højfrekvens-radar. RRES (Robotic Roadworks and Excavation System) anvender Ground Penetrating Radar til at kortlægge placeringen af begravde aktiver under jorden.

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

Kan du diskutere, hvordan disse billeder geotaggges?

På hver robot-platform finder geotagning af de indsamlede billeder sted på en måde, der er unik for systemet og den tilgængelige information i dets omgivelse.

Vores AIM-system anvender en onboard GPS til at kortlægge survey-køretøjets rute. Ved hjælp af andre onboard-sensorer, computer-vision-algoritmer og målsporing måler vores proprietære software placeringen af hver identificeret aktiv og geotagger deres billeder herefter. I GPS-berøvede miljøer, såsom indenfor en underjordisk rørledning, anvender vores robotter andre metoder til at kommunikere med overjordiske survey-køretøjer for at geotagge de indsamlede data fra indenfor røret.

Hvad er nogle af de maskinlærings-teknologier, der anvendes til at behandle data?

Der er tre hovedmetoder for maskinlæring, der anvendes i robotteknologi og autonom data-behandling, alle af hvilke anvendes i forskellige applikationer hos ULC Technologies.

1. Overvåget læring, hvor grundsandhed er nødvendig for at træne modellen. Disse modeller har højere nøjagtighed i data-behandling. ULC’s AIM-løsning anvender denne model til at identificere overjordisk elektrisk infrastruktur-aktiver med høj nøjagtighed og gentagelse.
2. Underovervåget læring, hvor modellen identificerer ligheder og anomalier i data. Vi har anvendt denne metode til at behandle kameraoptagelser fra vores in-pipe kravler-robotter og kortlægge deres placering langs røret.
3. Forstærket læring, som er et belønningsbaseret system til at træne komplekse enheder uden komplekse omvendte kinematisk-beregninger. Vi anvender denne metode til at operere den robot-arm på RRES-platformen til at udføre forskellige udgravningsoperationer.

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

Vi søger altid efter at samarbejde med ledere indenfor industri-, energi- og byggebranchen for at identificere og samarbejde om udviklingen af innovative løsninger. Gennem vores arbejde og felttest søger vi fortsat at forbedre vores AI- og maskinlærings-kapaciteter og ser frem til at løse nye udfordringer for vores kunder i fremtiden.

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