Ali Asmari, PhD, Leiter von KI und Maschinellem Lernen bei ULC Technologies – Interviewreihe

Ali Asmari, PhD, ist Leiter von KI und Maschinellem Lernen bei ULC Technologies. ULC Technologies gilt als Pionier im Bereich der Robotik- und Technologieentwicklung für die Energie-, Versorgungs- und Industriemärkte. Seit seiner Gründung im Jahr 2001 liegt der Fokus von ULC immer auf der Verbesserung der Versorgungsbetriebe und der Unterstützung der Infrastrukturverbesserung.

Was hat Sie ursprünglich zur Robotik und KI hingezogen?

Ich war sehr gut in Mathematik und Physik in der Schule, was mich dazu veranlasste, Maschinenbau im College zu studieren. Meine Lieblingsthemen im College waren Maschinen-Dynamik und Nichtlineare Steuerung, beides notwendig für die Steuerung von Robotersystemen. Diese Themen geben Ihnen alle notwendigen Werkzeuge, um Ihre robotische Vorstellung in die Realität umzusetzen. Ich habe nicht nur meine eigenen Roboter im College gebaut, sondern auch an internationalen Roboterwettbewerben auf der ganzen Welt teilgenommen. Ich habe mich auch entschieden, das Feld weiter zu studieren und bin in die Graduate School gegangen, um Robotiker zu werden.

Maschinelles Lernen war ein Konzept, das Anfang 2010 sehr populär wurde. Nachdem ich einige grundlegende Kurse in Maschinellem Lernen und Neuronalen Netzen belegt hatte, begann ich sofort, die Methoden in meiner Forschung und Arbeit anzuwenden. Ich bin persönlich erstaunt, wie ähnlich maschinelles Lernen Konzepte dem sind, wie der menschliche Gehirn lernt und funktioniert. Die Verwendung von maschinellem Lernen in der Robotik ist relativ neu und hat noch einen weiten Weg vor sich, und ich fühle mich sehr glücklich, Teil dieser Bewegung zu sein.

ULC Technologies hat viele Roboter, die dafür ausgelegt sind, in schwierigem Gelände unterirdisch zu fahren. Was sind einige der Herausforderungen bei der Entwicklung von vollständig autonomen Hindernisvermeidung und Pfadplanung für diese Arten von Robotern?

Ein großer Teil unserer Arbeit konzentrierte sich auf die Inspektion und interne Sanierung älterer Pipelines in städtischen Gebieten, und innerhalb dieser Pipelines wird häufig Abfall gefunden, was vollständig autonome Lösungen herausfordernd macht. Als Lösung entwickelte ULC kommerzielle Pipeline-Robotersysteme, die manuell durch Gasleitungen gesteuert werden. Im Laufe der letzten 20 Jahre haben wir unsere Expertise im Bereich der Pipeline-Robotik erweitert, was es uns jetzt ermöglicht, mehr Elemente der Automatisierung und des maschinellen Lernens zu integrieren.

Ein solches Projekt ist die Distribution Network Information Mapping (DNIM), ein gemeinsames Projekt mit dem britischen Gasnetz SGN, um maschinelles Lernen auf Pipeline-Netzwerke anzuwenden, damit wir Pipelines und Merkmale innerhalb der Pipeline effizient identifizieren und kartieren können. Diese Daten werden letztendlich dazu beitragen, Wege für Hindernisvermeidung und Pfadplanung in diesen komplexen Pipeline-Umgebungen zu öffnen.

Was sind einige der aktuellen robotischen Lösungen, die angeboten werden?

ULC arbeitet mit Versorgungs- und Energieunternehmen zusammen, um robotische Lösungen für die Inspektion, Reparatur und Wartung von über- und unterirdischer Infrastruktur wie Pipelines, LNG-Anlagen, Umspannstationen und anderen komplexen Umgebungen zu entwickeln und einzusetzen.

Wir entwickelten einen Roboter namens CISBOT, der in live Gasleitungen aus Gusseisen eindringt und durch die Pipeline fährt, um die Verbindungen intern zu dichten, was den Gasnetzen hilft, Lecks zu vermeiden und die Lebensdauer der Pipeline um bis zu 50 Jahre zu verlängern, alles ohne die Gasversorgung für die Kunden zu unterbrechen. ULC entwickelte auch eine Reihe von robotischen Kamera- und Crawler-Systemen für die Inspektion von live Gasleitungen, um Versorgungsunternehmen dabei zu helfen, Risiken zu reduzieren, Effizienz zu verbessern und betriebliche Herausforderungen zu lösen.

Außerhalb unserer aktuellen unterirdischen Robotersysteme haben wir auch ein internes Forschungs- und Entwicklungs-Team, das an robotischen Lösungen für andere Branchen arbeitet. Ein Beispiel ist das Robotic Roadworks & Excavation System (RRES), ein Projekt, das wir in Zusammenarbeit mit dem britischen Unternehmen SGN entwickeln. RRES ist ein vollständig elektrisches robotisches System, das herkömmliche Methoden der Grabung ersetzen soll, mit Fähigkeiten wie unterirdischer Sensing, Bohren und Schneiden von Straßen, automatischer weicher Grabung, Rohrinstallationen und dann die Fähigkeit, die Straße wiederherzustellen. Durch weitere Entwicklung hoffen wir, den Umfang der Operationen, die RRES in Zukunft ausführen kann, zu erweitern.

Dies ist nur eine Auswahl der robotischen Lösungen, die wir derzeit anbieten, aber weitere Informationen über unsere Technologien können auf unserer Website gefunden werden. Wir haben viele andere Projekte in Entwicklung und suchen immer nach Partnern in den Branchen Versorgung, Energie und Industrie, die nach automatisierten Lösungen suchen.

Was für Arten von Daten werden gesammelt?

ULC Technologies baut benutzerdefinierte robotische Lösungen, um unterschiedliche technische Herausforderungen in der Branche zu lösen. Basierend auf der Art der Anwendung erfasst jeder Roboter unterschiedliche Arten von Daten aus seiner Umgebung. Die folgende Liste zeigt einige der beliebtesten Arten von Daten, die wir während unserer Inspektion sammeln:

1. High-Resolution-Farbabbildungen. Zum Beispiel erfassen unsere Unbemannte Luftfahrzeuge (UAV) 40-Megapixel-Abbildungen während der Inspektion.
2. 3D-Punktwolken. Ein Beispiel dafür sind die 3D-Punktwolken, die einige unserer In-Pipe-Crawler-Roboter sammeln.
3. Einige unserer überirdischen Roboter verarbeiten LIDAR-Daten für die Navigation.
4. Infrarotabbildungen. Unsere UAVs und die Lösung für die Identifizierung und Kartierung von Vermögenswerten (AIM) können Infrarotabbildungen während der Inspektion für die Zustandsbewertung von Vermögenswerten erfassen.
5. Hochfrequenz-Radar. Das RRES (Robotic Roadworks and Excavation System) verwendet Bodenpenetrationsradar, um die Lage von unterirdischen Vermögenswerten zu kartieren.

Es gibt viele andere Arten von Daten, die einige unserer Plattformen für unterschiedliche Zwecke sammeln, die nicht in dieser Liste enthalten sind, weil sie spezifisch für eine Branche sind.

Können Sie erläutern, wie diese Abbildungen geotagged werden?

Auf jeder robotischen Plattform findet das Geotagging der erfassten Abbildungen ein, das spezifisch für dieses System und die verfügbaren Informationen in seiner Umgebung ist.

Unser AIM-System verwendet ein an Bord befindliches GPS, um den Pfad unseres Inspektionfahrzeugs zu kartieren. Mit anderen an Bord befindlichen Sensoren, Computer-Vision-Algorithmen und Zielverfolgung misst unsere proprietäre Software die Position jedes identifizierten Vermögenswerts und geotaggt ihre Abbildungen entsprechend. In GPS-entbehrten Umgebungen wie in einer unterirdischen Pipeline verwenden unsere Roboter andere Methoden, um mit den überirdischen Inspektionfahrzeugen zu kommunizieren und die erfassten Daten aus der Pipeline zu geotaggen.

Was sind einige der maschinellen Lern-Technologien, die derzeit verwendet werden, um die Daten zu verarbeiten?

Es gibt drei Hauptmethoden des maschinellen Lernens, die in der Robotik und der autonomen Datenverarbeitung verwendet werden, alle von denen in verschiedenen Anwendungen bei ULC Technologies eingesetzt werden.

1. Überwachtes Lernen, bei dem Ground-Truth erforderlich ist, um das Modell zu trainieren. Diese Modelle haben eine höhere Genauigkeit bei der Datenverarbeitung. ULCs AIM-Lösung verwendet dieses Modell, um überirdische elektrische Infrastruktur-Vermögenswerte mit hoher Genauigkeit und Wiederholbarkeit zu identifizieren.
2. Unüberwachtes Lernen, bei dem das Modell Ähnlichkeiten und Anomalien in den Daten identifiziert. Wir haben diese Methode verwendet, um die Kameraaufnahmen von unseren In-Pipe-Crawlern zu verarbeiten und ihre Position entlang der Pipeline zu kartieren.
3. Bestärkendes Lernen, ein belohnungsbasiertes System, um komplexe Geräte ohne komplizierte Reverse-Kinematik-Berechnungen zu trainieren. Wir verwenden diese Methode, um den robotischen Arm auf der RRES-Plattform zu betreiben, um verschiedene Grabungsoperationen durchzuführen.

Gibt es noch etwas, das Sie über ULC Technologies teilen möchten?

Wir suchen immer nach Partnern, die mit Führungskräften in den Branchen Industrie, Energie und Bauwesen zusammenarbeiten, um innovative Lösungen zu entwickeln und zu kooperieren. Durch unsere Arbeit und Feldtests verbessern wir kontinuierlich unsere Fähigkeiten im Bereich KI und maschinellen Lernens und freuen uns darauf, neue Herausforderungen für unsere Kunden in der Zukunft zu lösen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten ULC Technologies besuchen.