Ali Asmari, PhD, Διευθυντής AI και Μηχανικής Μάθησης στην ULC Technologies – Σειρά Συνεντεύξεων

O Ali Asmari, PhD είναι διευθυντής AI και μηχανικής μάθησης στην ULC Technologies. Η ULC Technologies θεωρείται πιονιέρης στην μηχανική ρομποτικής και την ανάπτυξη τεχνολογίας για τις αγορές ενέργειας, κοινωφελών υπηρεσιών και βιομηχανίας. Από την ίδρυσή της το 2001, ο στόχος της ULC ήταν πάντα η βελτίωση των λειτουργιών των κοινωφελών υπηρεσιών και η υποστήριξη της βελτίωσης της υποδομής.

Τι σας έκανε να ενδιαφερθείτε αρχικά για τη ρομποτική και το AI;

Ήμουν πολύ καλός στα μαθηματικά και τη φυσική στο γυμνάσιο, οπότε με οδήγησε να σπουδάσω μηχανική στο κολλέγιο. Τα αγαπημένα μου θέματα στο κολλέγιο ήταν η Δυναμική Μηχανημάτων και ο Μη خطής Έλεγχος, και τα δύο απαραίτητα για τον έλεγχο των ρομποτικών συστημάτων. Αυτά τα θέματα σας δίνουν όλα τα απαραίτητα εργαλεία για να μετατρέψετε τη ρομποτική φαντασία σας σε πραγματικότητα. Όχι μόνο κατασκεύασα τα δικά μου ρομπότ στο κολλέγιο, αλλά επίσης συμμετείχα σε διεθνείς ρομποτικές διαγωνισμούς σε όλο τον κόσμο. Αποφάσισα επίσης να συνεχίσω τις σπουδές μου στο πεδίο και να γίνω ρομποτικός μηχανικός.

Η μηχανική μάθηση ήταν μια концепция που έγινε πολύ δημοφιλής στις αρχές του 2010. Μετά από κάποιους βασικούς μαθήματα στη Μηχανική Μάθηση και τα Νευρωνικά Δίκτυα, άρχισα αμέσως να εφαρμόζω τις μεθόδους στη έρευνά μου και στη δουλειά μου. Είμαι προσωπικά εκπληκμένος από το πόσο παρόμοιες είναι οι концепτές της μηχανικής μάθησης με τον τρόπο που μαθαίνει και λειτουργεί ο ανθρώπινος εγκέφαλος. Η χρήση της μηχανικής μάθησης στη ρομποτική είναι σχετικά νέα και έχει πολύ δρόμο να διανύσει και νιώθω πολύ τυχερός που είμαι μέρος αυτής της κίνησης.

Η ULC Technologies έχει πολλά ρομπότ που σχεδιάζονται για να πάνε κάτω από το έδαφος σε بعض khó khăn περιοχές. Ποια είναι κάποια από τις προκλήσεις πίσω από την κατασκευή πλήρως αυτόνομων λύσεων για την αποφυγή εμποδίων και τον σχεδιασμό διαδρομής για αυτά τα ρομπότ;

Πολλή από τη δουλειά μας έχει επικεντρωθεί στην επιθεώρηση και την εσωτερική αποκατάσταση παλαιών αγωγών σε αστικές περιοχές και μέσα σε αυτούς τους αγωγούς, τα απορρίμματα είναι κοινά, γεγονός που καθιστά τις πλήρως αυτόνομες λύσεις προκλητικές. Ως λύση, η ULC ανέπτυξε εμπορικά ρομποτικά συστήματα αγωγών που οδηγούνται χειροκίνητα μέσω των αγωγών αερίου. Κατά τη διάρκεια των τελευταίων 20 ετών, η εμπειρογνωσία μας στη ρομποτική των αγωγών έχει επεκταθεί, γεγονός που μας επιτρέπει τώρα να ενσωματώνουμε περισσότερα στοιχεία αυτοματοποίησης και μηχανικής μάθησης.

Μια τέτοια πρωτοβουλία είναι το Distribution Network Information Mapping (DNIM), ένα συνεργατικό έργο με το βρετανικό δίκτυο αερίου, SGN, για να εφαρμόσουμε τη μηχανική μάθηση στα δίκτυα αγωγών, ώστε να μπορούμε να αναγνωρίσουμε και να χαρτογραφήσουμε αποτελεσματικά τους αγωγούς και τα χαρακτηριστικά μέσα στον αγωγό. Αυτά τα δεδομένα θα μας βοηθήσουν τελικά να ανοίξουμε δρόμους για την αποφυγή εμποδίων και τον σχεδιασμό διαδρομής σε αυτά τα πολύπλοκα περιβάλλοντα των αγωγών.

Ποια είναι κάποια από τις τρέχουσες ρομποτικές λύσεις που προσφέρονται;

Η ULC συνεργάζεται με εταιρείες κοινωφελών υπηρεσιών και ενέργειας για να αναπτύξει και να αναπτύξει ρομποτικές λύσεις για την επιθεώρηση, την επισκευή και τη συντήρηση των υποδομών πάνω και κάτω από το έδαφος, όπως αγωγοί, εγκαταστάσεις LNG, υποσταθμοί και άλλα σύνθετα περιβάλλοντα.

Αναπτύξαμε ένα ρομπότ που ονομάζεται CISBOT το οποίο εισέρχεται σε ζωντανούς αγωγούς αερίου από σίδηρο και ταξιδεύει μέσα από τον αγωγό για να σφραγίσει εσωτερικά τις συνδέσεις, γεγονός που βοηθά τα δίκτυα αερίου να αποτρέψουν τις διαρροές και να παρατείνουν τη ζωή του αγωγού έως και 50 χρόνια, όλα αυτά χωρίς να σταματήσει η παροχή αερίου στους πελάτες. Η ULC ανέπτυξε επίσης μια σειρά ρομποτικών καμερών και συστημάτων κράλερ για την επιθεώρηση ζωντανών αγωγών αερίου, βοηθώντας τις κοινωφελείς υπηρεσίες να μειώσουν τον κίνδυνο, να βελτιώσουν την αποδοτικότητα και να επιλύσουν προκλήσεις λειτουργίας.

Εκτός από τα τρέχοντα υπογεια ρομποτικά συστήματα, έχουμε επίσης μια εσωτερική ομάδα έρευνας και ανάπτυξης που εργάζεται σε ρομποτικές λύσεις για άλλες βιομηχανίες. Ένα παράδειγμα είναι το Ρομποτικό Σύστημα Οδοποιίας και Εκσκαφής (RRES), ένα έργο που αναπτύσσουμε σε συνεργασία με τη βρετανική εταιρεία SGN. Το RRES είναι ένα πλήρως ηλεκτρικό ρομποτικό σύστημα που σχεδιάζεται για να αντικαταστήσει τις συμβατικές μεθόδους εκσκαφής με δυνατότητες που περιλαμβάνουν την ανίχνευση κάτω από το έδαφος, την κοπή και το χάραξη οδών, την αυτόματη μαλακή εκσκαφή, την εγκατάσταση αγωγών και τη δυνατότητα να επαναφέρει την οδό. Μέσω της περαιτέρω ανάπτυξης, ελπίζουμε να επεκτείνουμε το φάσμα των λειτουργιών που μπορεί να εκτελέσει το RRES στο μέλλον.

Αυτή είναι μόνο μια δειγματοληψία των ρομποτικών λύσεων που προσφέρονται τώρα, αλλά περισσότερες πληροφορίες για τις τεχνολογίες μας μπορούν να βρεθούν στην ιστοσελίδα μας. Έχουμε πολλά άλλα έργα σε ανάπτυξη και हम ψάχνουμε πάντα να συνεργαστούμε με εταιρείες στις βιομηχανίες κοινωφελών υπηρεσιών, ενέργειας και βιομηχανίας που ψάχνουν για αυτοματοποιημένες λύσεις.

Τι είδους δεδομένα συλλέγονται;

Η ULC Technologies κατασκευάζει ρομποτικά συστήματα για να αντιμετωπίσουν διαφορετικές τεχνικές προκλήσεις στη βιομηχανία. Βασισμένα στο είδος της εφαρμογής, κάθε ρομπότ συλλέγει διαφορετικά είδη δεδομένων από το περιβάλλον του. Τα ακόλουθα είναι μια λίστα με κάποια από τα δημοφιλή είδη δεδομένων που συλλέγουμε κατά τη διάρκεια της επιθεώρησής μας:

1. Εικόνες υψηλής ανάλυσης. Για παράδειγμα, τα Αεροπορικά Οχήματα (UAV) συλλέγουν εικόνες 40 megapixel κατά τη διάρκεια της επιθεώρησης
2. 3D σημεία νεφών. Ένα παράδειγμα είναι τα 3D σημεία νεφών που συλλέγουν κάποια από τα ρομπότ μας.
3. Κάποια από τα ρομπότ μας επεξεργάζονται δεδομένα LIDAR για ναυτιλία
4. Εικόνες υπέρυθρου. Τα UAV και η λύση Αναγνώρισης και Χαρτογράφησης Περιουσίας (AIM) μπορούν να συλλέξουν εικόνες υπέρυθρου κατά τη διάρκεια της επιθεώρησης για την αξιολόγηση της κατάστασης των περιουσιακών στοιχείων.
5. Υψηλής συχνότητας ραντάρ. Το RRES (Ρομποτικό Σύστημα Οδοποιίας και Εκσκαφής) χρησιμοποιεί Ραντάρ Διαπερατό του Εδάφους για να χαρτογραφήσει την τοποθεσία των θαμμένων περιουσιακών στοιχείων κάτω από το έδαφος.

Υπάρχουν πολλά άλλα διαφορετικά είδη δεδομένων που συλλέγονται από κάποια από τις πλατφόρμες μας για διαφορετικούς σκοπούς που δεν περιλαμβάνονται σε αυτή τη λίστα λόγω της ειδικής εφαρμογής τους σε μια βιομηχανία.

Μπορείτε να συζητήσετε πώς γίνονται geotag οι εικόνες;

Σε κάθε ρομποτικό σύστημα, η geotagging των συλλεγμένων εικόνων λαμβάνει χώρα με μοναδικό τρόπο για κάθε σύστημα και τις διαθέσιμες πληροφορίες στο περιβάλλον του.

Το σύστημα AIM μας χρησιμοποιεί ένα ενσωματωμένο GPS για να χαρτογραφήσει τη διαδρομή του οχήματος επιθεώρησης. Χρησιμοποιώντας άλλους ενσωματωμένους αισθητήρες, αλγόριθμους υπολογιστικής όρασης και ανίχνευση στόχων, το ιδιωτικό λογισμικό μας μετράει τη θέση κάθε αναγνωρισμένου περιουσιακού στοιχείου και geotag τις εικόνες τους αντίστοιχα. Σε περιβάλλοντα που στερούνται GPS, όπως μέσα σε υπόγειο αγωγό, τα ρομπότ μας χρησιμοποιούν άλλες μεθόδους για να επικοινωνήσουν με τα οχήματα επιθεώρησης πάνω από το έδαφος για να geotag τα συλλεγμένα δεδομένα από μέσα στον αγωγό.

Ποια είναι κάποια από τις τεχνολογίες μηχανικής μάθησης που χρησιμοποιούνται τώρα για την επεξεργασία των δεδομένων;

Υπάρχουν τρεις κύριες μεθόδους μηχανικής μάθησης που χρησιμοποιούνται στη ρομποτική και την αυτόνομη επεξεργασία δεδομένων, όλες τις οποίες χρησιμοποιούνται σε διαφορετικές εφαρμογές στην ULC Technologies.

1. Επιβλεπόμενη Μάθηση, όπου απαιτείται η αλήθεια για να εκπαιδεύσει το μοντέλο. Αυτά τα μοντέλα έχουν υψηλότερη ακρίβεια στην επεξεργασία δεδομένων. Η λύση AIM της ULC χρησιμοποιεί αυτό το μοντέλο για να αναγνωρίσει περιουσιακά στοιχεία υπεράνω του εδάφους με υψηλή ακρίβεια και επαναληψιμότητα.
2. Ανεξάρτητη Μάθηση, στην οποία το μοντέλο αναγνωρίζει ομοιότητες και ανωμαλίες στα δεδομένα. Έχουμε χρησιμοποιήσει αυτή τη μέθοδο για να επεξεργαστούμε τα βίντεο από τα ρομπότ μας και να χαρτογραφήσουμε τη θέση τους κατά μήκος του αγωγού.
3. Ενισχυμένη Μάθηση, η οποία είναι ένα σύστημα που βασίζεται σε ανταμοιβές για να εκπαιδεύσει συσκευές χωρίς περίπλοκες αναστροφικές κινηματικές υπολογισμοί. Χρησιμοποιούμε αυτή τη μέθοδο για να λειτουργήσουμε το ρομποτικό βραχίονα στο σύστημα RRES για να εκτελέσει διαφορετικές εργασίες εκσκαφής.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με την ULC Technologies;

Είμαστε πάντα ανοιχτοί να συνεργαστούμε με ηγέτες στις βιομηχανίες, την ενέργεια και την κατασκευή για να αναγνωρίσουμε και να συνεργαστούμε στην ανάπτυξη καινοτόμων λύσεων. Μέσω της δουλειάς μας και των πεδίων δοκιμών, συνεχίζουμε να ενισχύουμε τις ικανότητές μας σε AI και μηχανική μάθηση και αναμένουμε να λύσουμε νέες προκλήσεις για τους πελάτες μας στο μέλλον.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την ULC Technologies.