Ali Asmari, PhD, Jefe de Inteligencia Artificial y Aprendizaje Automático en ULC Technologies – Serie de Entrevistas

Ali Asmari, PhD es el jefe de inteligencia artificial y aprendizaje automático en ULC Technologies. ULC Technologies es considerada pionera en ingeniería robótica y desarrollo de tecnología para los mercados de energía, servicios públicos e industriales. Desde su inicio en 2001, el enfoque de ULC siempre ha sido la mejora de las operaciones de servicios públicos y el apoyo a la mejora de la infraestructura.

¿Qué te atrajo inicialmente a la robótica y la inteligencia artificial?

Me gustaba mucho las matemáticas y la física en la escuela secundaria, lo que me llevó a estudiar ingeniería mecánica en la universidad. Mis temas favoritos en la universidad fueron Dinámica de Máquinas y Control No Lineal, ambos necesarios para el control de sistemas robóticos. Estos temas te brindan todas las herramientas necesarias para convertir tu imaginación robótica en realidad. No solo construí mis propios robots en la universidad, sino que también participé en competencias robóticas internacionales en todo el mundo. También decidí estudiar más a fondo el campo y entré en la escuela de posgrado para convertirme en robótico.

El aprendizaje automático fue un concepto que se volvió muy popular en la aplicación a principios de 2010. Después de tomar algunos cursos básicos de Aprendizaje Automático y Redes Neuronales, comencé a aplicar los métodos en mi investigación y trabajo. Me sorprende personalmente lo similar que son los conceptos de aprendizaje automático a la forma en que el cerebro humano aprende y funciona. El uso de aprendizaje automático en robótica es relativamente nuevo y tiene un largo camino por recorrer, y me siento muy afortunado de ser parte de este movimiento.

ULC Technologies tiene muchos robots diseñados para ir debajo de la tierra en algunos terrenos difíciles. ¿Cuáles son algunos de los desafíos detrás de la construcción de obstáculos de evitación y planificación de ruta completamente autónomos para estos tipos de robots?

Mucho de nuestro trabajo se ha centrado en la inspección y remediación interna de tuberías más antiguas en áreas urbanas, y dentro de estas tuberías, se encuentra comúnmente escombros, lo que hace que las soluciones completamente autónomas sean desafiantes. Como solución, ULC desarrolló sistemas robóticos comerciales de tuberías que se manejan manualmente a través de tuberías de gas. En los últimos 20 años, nuestra experiencia en robótica de tuberías se ha expandido, lo que nos permite integrar más elementos de automatización y aprendizaje automático.

Una de estas iniciativas se llama Distribution Network Information Mapping (DNIM), que es un proyecto colaborativo con la red de gas del Reino Unido, SGN, para aplicar aprendizaje automático a las redes de tuberías para que podamos identificar y mapear eficientemente la tubería y las características dentro de la tubería. Estos datos eventualmente ayudarán a abrir caminos para la evitación de obstáculos y la planificación de rutas en estos entornos de tuberías complejos.

¿Cuáles son algunas de las soluciones robóticas actuales que se ofrecen? 

ULC trabaja con empresas de servicios públicos y energía para desarrollar y desplegar soluciones robóticas para inspeccionar, reparar y mantener la infraestructura sobre y debajo de la tierra, como tuberías, plantas de GNL, subestaciones y otros entornos complejos.

Desarrollamos un robot llamado CISBOT que entra en tuberías de hierro fundido en vivo y viaja a través de la tubería para sellar internamente las juntas, lo que ayuda a las redes de gas a prevenir fugas y extiende la vida útil de la tubería hasta 50 años, todo sin cortar el suministro de gas a los clientes. ULC también desarrolló una suite de sistemas robóticos de cámaras y sistemas de gateo para inspeccionar tuberías de gas en vivo, lo que ayuda a las empresas de servicios públicos a reducir el riesgo, mejorar la eficiencia y resolver desafíos operativos.

Fuera de nuestros sistemas robóticos subterráneos actuales, también tenemos un equipo de I+D interno que está trabajando en soluciones robóticas para otras industrias. Un ejemplo es el Sistema de Trabajos de Carretera y Excavación Robótico (RRES), un proyecto que estamos desarrollando en colaboración con la empresa del Reino Unido, SGN. RRES es un sistema robótico completamente eléctrico diseñado para reemplazar los métodos convencionales de excavación con capacidades que incluyen detección subterránea, perforación y corte de carreteras, excavación suave automatizada, instalación de tuberías y luego la capacidad de reinstalar la carretera. A través de un desarrollo adicional, esperamos expandir el rango de operaciones que RRES puede realizar en el futuro.

Esto es solo una muestra de las soluciones robóticas que actualmente ofrecemos, pero se puede encontrar más información sobre nuestras tecnologías en nuestro sitio web. Tenemos muchos otros proyectos en desarrollo y siempre estamos buscando asociarnos con empresas de servicios públicos, energía e industrias que buscan soluciones automatizadas.

¿Qué tipo de datos se recopila?

ULC Technologies construye soluciones robóticas personalizadas para abordar diferentes desafíos técnicos en la industria. Según el tipo de aplicación, cada robot captura diferentes tipos de datos de su entorno. A continuación, se muestra una lista de algunos de los tipos de datos populares que recopilamos durante nuestras operaciones de inspección:

1. Imágenes en color de alta resolución. Por ejemplo, nuestros Vehículos Aéreos No Tripulados (UAV) capturan imágenes de 40 megapíxeles durante el trabajo de inspección
2. Nubes de puntos 3D. Un ejemplo de esto es la nube de puntos 3D que algunos de nuestros robots de gateo dentro de la tubería recopilan.
3. Algunos de nuestros robots sobre la tierra procesan datos LIDAR para la navegación
4. Imágenes infrarrojas. Nuestros UAV y la solución de Identificación y Mapeo de Activos (AIM) pueden capturar imágenes infrarrojas durante el trabajo de inspección para la evaluación del estado de los activos.
5. Radar de alta frecuencia. El RRES (Sistema de Trabajos de Carretera y Excavación Robótico) utiliza Radar de Penetración en el Suelo para mapear la ubicación de los activos enterrados debajo de la tierra.

Hay muchos más tipos de datos que algunas de nuestras plataformas recopilan para diferentes propósitos que no se incluyen en esta lista debido a su aplicación específica a una industria.

¿Puedes discutir cómo se geotaggen estas imágenes?

En cada plataforma robótica, el geotagging de las imágenes capturadas tiene lugar de forma única para ese sistema y la información disponible en su entorno.

Nuestro sistema AIM utiliza un GPS a bordo para mapear la ruta de nuestro vehículo de inspección. Utilizando otros sensores a bordo, algoritmos de visión por computadora y seguimiento de objetivos, nuestro software propietario mide la ubicación de cada activo identificado y geotaggen sus imágenes en consecuencia. En entornos privados de GPS, como dentro de una tubería subterránea, nuestros robots utilizan otros métodos para comunicarse con los vehículos de inspección en la superficie para geotaggen los datos capturados desde dentro de la tubería.

¿Cuáles son algunas de las tecnologías de aprendizaje automático que se utilizan actualmente para procesar los datos?

Hay tres métodos principales de aprendizaje automático que se están utilizando en robótica y procesamiento de datos autónomos, todos los cuales se están utilizando en diferentes aplicaciones en ULC Technologies.

1. Aprendizaje supervisado, donde se requiere la verdad fundamental para entrenar el modelo. Estos modelos tienen una mayor precisión en el procesamiento de datos. La solución AIM de ULC está utilizando este modelo para identificar activos de infraestructura eléctrica sobre la tierra con alta precisión y repetibilidad.
2. Aprendizaje no supervisado, en el que el modelo identifica similitudes y anomalías en los datos. Hemos utilizado este método para procesar las imágenes de las cámaras de nuestros robots de gateo dentro de la tubería y mapear su ubicación a lo largo de la tubería.
3. Aprendizaje por refuerzo, que es un sistema basado en recompensas para entrenar dispositivos complicados sin cálculos de cinemática inversa complicados. Estamos utilizando este método para operar el brazo robótico en la plataforma RRES para realizar diferentes operaciones de excavación.

¿Hay algo más que te gustaría compartir sobre ULC Technologies?

Estamos siempre buscando asociarnos con líderes en las industrias industriales, energéticas y de construcción para identificar y colaborar en el desarrollo de soluciones innovadoras. A través de nuestro trabajo y pruebas de campo, continuamos mejorando nuestras capacidades de inteligencia artificial y aprendizaje automático y esperamos resolver nuevos desafíos para nuestros clientes en el futuro.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar ULC Technologies.