Ali Asmari, PhD, Leiter von KI und Maschinellem Lernen bei ULC Technologies – Interview-Serie

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 hat sich ULC immer auf die Verbesserung der Versorgungsbetriebe und die Unterstützung der Infrastrukturverbesserung konzentriert.

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 zu studieren. Meine Lieblingsthemen im Studium 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 Studium gebaut, sondern auch an internationalen Roboter-Wettbewerben auf der ganzen Welt teilgenommen. Ich habe mich auch entschieden, das Feld weiter zu studieren und bin in die Graduiertenschule gegangen, um Robotiker zu werden.

Machine Learning war ein Konzept, das Anfang 2010 sehr populär wurde. Nachdem ich einige grundlegende Kurse in Machine Learning und Neuronale Netze belegt hatte, begann ich sofort, die Methoden in meiner Forschung und Arbeit anzuwenden. Ich bin persönlich erstaunt, wie ähnlich Machine-Learning-Konzepte der Art und Weise sind, wie das menschliche Gehirn lernt und funktioniert. Die Verwendung von Machine Learning in der Robotik ist relativ neu und hat noch einen langen Weg vor sich, und ich fühle mich sehr glücklich, Teil dieser Bewegung zu sein.

ULC Technologies hat viele Roboter, die dafür ausgelegt sind, unterirdisch in schwierigem Gelände zu arbeiten. Was sind einige der Herausforderungen beim Bau vollständig autonomer Hindernisvermeidung und Pfadplanung für diese Arten von Robotern?

Ein großer Teil unserer Arbeit konzentriert sich auf die Inspektion und interne Sanierung älterer Pipelines in städtischen Gebieten, und innerhalb dieser Pipelines wird häufig Abfall gefunden, was vollständig autonome Lösungen schwierig macht. Als Lösung entwickelte ULC kommerzielle Pipeline-Robotersysteme, die manuell durch Gasleitungen geführt 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 Machine Learning zu integrieren.

Ein solches Projekt ist das sogenannte Distribution Network Information Mapping (DNIM), ein gemeinsames Projekt mit dem britischen Gasnetz SGN, um Machine Learning auf Pipeline-Netzwerke anzuwenden, damit wir Pipelines und Merkmale innerhalb der Pipelines 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 haben einen Roboter namens CISBOT entwickelt, der in live-Gasleitungen aus Gusseisen eindringt und durch die Pipeline fährt, um die Verbindungen innerhalb zu dichten, was den Gasnetzen hilft, Lecks zu verhindern und die Lebensdauer der Pipeline um bis zu 50 Jahre zu verlängern, alles ohne dass die Gasversorgung für die Kunden unterbrochen wird. ULC hat auch eine Reihe von robotischen Kamera- und Kriechersystemen für die Inspektion von live-Gasleitungen entwickelt, um Versorgungsunternehmen 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 Entwicklungsteam, 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, automatisierter weicher Grabung, Rohrinstallationen und der Fähigkeit, die Straße wiederherzustellen. Durch weitere Entwicklung hoffen wir, den Einsatzbereich von RRES in der Zukunft zu erweitern.

Dies ist nur eine Auswahl der robotischen Lösungen, die wir derzeit anbieten, aber weitere Informationen über unsere Technologien finden Sie auf unserer Website. Wir haben viele andere Projekte in Entwicklung und suchen immer nach Partnern in der Versorgungs-, Energie- und Industriebranche, die nach automatisierten Lösungen suchen.

Was für Arten von Daten werden gesammelt?

ULC Technologies entwickelt benutzerdefinierte robotische Lösungen, um verschiedene technische Herausforderungen in der Branche zu bewältigen. Basierend auf der Art der Anwendung sammelt 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-Bilder während der Inspektion.
2. 3D-Punktwolken. Ein Beispiel dafür sind die 3D-Punktwolken, die einige unserer Kriecher-Roboter in den Pipelines sammeln.
3. Einige unserer überirdischen Roboter verarbeiten LIDAR-Daten für die Navigation.
4. Infrarotbilder. Unsere UAVs und die Lösung für die Identifizierung und Kartierung von Vermögenswerten (AIM) können Infrarotbilder 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 weitere Arten von Daten, die einige unserer Plattformen für verschiedene Zwecke sammeln, die nicht in dieser Liste enthalten sind, da sie spezifisch für eine Branche sind.

Können Sie erläutern, wie diese Bilder geotagged werden?

Bei jedem robotischen System findet die Geotagging der erfassten Bilder auf eine Weise statt, die für dieses System und die verfügbaren Informationen in seiner Umgebung einzigartig ist.

Unser AIM-System verwendet ein bordgestütztes GPS, um den Pfad unseres Überwachungsfahrzeugs zu kartieren. Mit anderen bordgestützten Sensoren, Computer-Vision-Algorithmen und Zielverfolgung misst unsere eigene Software die Position jedes identifizierten Vermögenswerts und geotaggt ihre Bilder entsprechend. In Umgebungen, in denen GPS nicht verfügbar ist, wie innerhalb einer unterirdischen Pipeline, verwenden unsere Roboter andere Methoden, um mit den überirdischen Überwachungsfahrzeugen zu kommunizieren und die erfassten Daten aus der Pipeline zu geotaggen.

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

Es gibt drei Hauptmethoden des Machine Learning, die in der Robotik und der autonomen Datenverarbeitung verwendet werden, alle von denen bei ULC Technologies in verschiedenen Anwendungen 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. Nicht überwachtes Lernen, bei dem das Modell Ähnlichkeiten und Anomalien in den Daten identifiziert. Wir haben diese Methode verwendet, um die Kameraaufnahmen von unseren Kriecher-Robotern zu verarbeiten und ihre Position entlang der Pipeline zu kartieren.
3. Bestärkendes Lernen, ein belohnungsbasiertes System, um komplexe Geräte ohne komplizierte inverse Kinematikberechnungen zu trainieren. Wir verwenden diese Methode, um den Roboterarm 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 in der Industrie-, Energie- und Baubranche, um innovative Lösungen zu entwickeln und zu kooperieren. Durch unsere Arbeit und Feldtests verbessern wir kontinuierlich unsere KI- und Machine-Learning-Fähigkeiten 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.