Ali Asmari, PhD, AI- ja koneoppimisen johtaja ULC Technologies – Haastattelusarja

Ali Asmari, PhD on AI- ja koneoppimisen johtaja ULC Technologies:ssa. ULC Technologies on pioneerirobotti-insinööritieteessä ja teknologian kehittämisessä energian, käyttövoiman ja teollisuusmarkkinoille. Sen perustamisesta lähtien vuonna 2001, ULC:n fokus on aina ollut käyttövoiman toimintojen parantamisessa ja infrastruktuurin parantamisen tukemisessa.

Mikä alun perin veti sinut robotti- ja AI-tutkimukseen?

Olin hyvä matematiikassa ja fysiikassa lukiossa, mikä johti minun opiskelemaan konetekniikkaa yliopistossa. Lempiaineeni yliopistossa olivat koneiden dynamiikka ja epälineaarinen ohjaus, jotka molemmat ovat välttämättömiä robotti-järjestelmien ohjauksessa. Nämä aiheet antavat sinulle kaikki tarvittavat työkalut muuttaa robotti-imaginasi todellisuudeksi. Rakensin omat robotit yliopistossa ja osallistuin kansainvälisiin robotti-kilpailuihin ympäri maailmaa. Päätin myös jatkaa tutkimusta ja aloitin jatko-opinnot robotti-insinööriksi.

Koneoppiminen oli käsite, josta tuli hyvin suosittu sovelluksessa vuoden 2010 alussa. Otettuani pari peruskurssia koneoppimisesta ja neuroverkoista, aloin välittömästi soveltaa menetelmiä tutkimuksessani ja työssäni. Olen henkilökohtaisesti hämmästynyt siitä, kuinka samankaltaisia koneoppimiskäsitteet ovat sille, miten ihmisaivo löytää ja toimii. Koneoppimisen käyttäminen robotti-insinööritieteessä on suhteellisen uutta ja sillä on pitkä tie edessään, ja tunnen itseni onnekkaaksi olla osa tätä liikettä.

ULC Technologies:lla on monia robotteja, jotka on suunniteltu menemään maan alle vaikeissa olosuhteissa. Mitkä ovat haasteita rakentaa täysin autonomisia esteitä välttäviä ja reitin suunnittelua näille robotteille?

Suurin osa työstämme on keskittynyt vanhojen putkien tarkasteluun ja sisäisesti parantamiseen kaupunkialueilla, ja näissä putkissa on yleensä paljon romua, mikä tekee täysin autonomisista ratkaisuista haasteellisia. Ratkaisuna ULC kehitti kaupalliset putkirobotti-järjestelmät, jotka ohjataan manuaalisesti kaasuputkien läpi. Viimeisen 20 vuoden aikana putkirobotti-insinööritieteen asiantuntemuksemme on laajentunut, mikä mahdollistaa meidän integroida enemmän automaation ja koneoppimisen elementtejä.

Yksi tällainen aloite on Distribution Network Information Mapping (DNIM), joka on yhteistyöhanke UK:n kaasun verkoston, SGN:n kanssa soveltaa koneoppimista putkiverkkoihin, jotta voimme tehokkaasti tunnistaa ja kartoittaa putken ja sen sisällä olevat ominaisuudet. Tämä data auttaa lopulta avaamaan esteiden välttämisen ja reitin suunnittelun näissä hyvin monimutkaisissa putkaympäristöissä.

Mitkä ovat joitakin nykyisiä robotti-ratkaisuja, joita tarjotaan?

ULC työskentelee käyttövoiman ja energiayhtiöiden kanssa kehittääkseen ja käyttöönottaakseen robotti-ratkaisuja tarkastamaan, korjaamaan ja ylläpitämään maanpäällisiä ja maanalaisten infrastruktuurien, kuten putkien, LNG-laitosten, sähköasemien ja muiden monimutkaisten ympäristöjen ylläpitoa.

Kehittimme robotin nimeltä CISBOT, joka menee elävään rautaputkeen ja liikkuu putken läpi sisäisesti tiivistääkseen liitokset, mikä auttaa kaasun verkkoja estämään vuotoja ja pidentää putken ikää jopa 50 vuodella ilman, että asiakkaiden kaasutoimitukset katkeavat. ULC kehitti myös sarjan robotti-kamera- ja etenijäjärjestelmiä tarkastamaan eläviä kaasuputkia, auttaen käyttövoimayhtiöitä vähentämään riskiä, parantamaan tehokkuutta ja ratkaisemaan toiminnallisia haasteita.

Ulkoisten maanalaisien robotti-järjestelmiemme lisäksi meillä on sisäinen tutkimus- ja kehitysryhmä, joka työskentelee robotti-ratkaisujen parissa muiden alojen tarpeisiin. Yksi esimerkki on Robotic Roadworks & Excavation System (RRES), jota kehitämme yhteistyössä UK:n yhtiön, SGN:n kanssa. RRES on täysin sähköinen robotti-järjestelmä, joka on tarkoitettu korvaamaan perinteiset kaivamismenetelmät, ja sen ominaisuuksiin kuuluvat maanalaisten anturien käyttö, tienviitoitus, leikkaus, automaattinen pehmeä kaivaminen, putkiasennus ja tien uudelleenjärjestäminen. Järjestelmän kehittämisen myötä toivomme pystyvämme laajentamaan sen toimintaa tulevaisuudessa.

Tämä on vain näyte robotti-ratkaisuista, joita tarjoamme, mutta lisätietoja teknologioistamme löytyy verkkosivuiltamme. Meillä on useita muita projekteja kehityksessä, ja olemme aina etsimässä yhteistyökumppaneita käyttövoiman, energian ja teollisuusalojen yritysten kanssa, jotka etsivät automaattisia ratkaisuja.

Mitä tyyppiä dataa kerätään?

ULC Technologies kehittää mukautettuja robotti-ratkaisuja eri teknisten haasteiden ratkaisemiseksi teollisuudessa. Sovelluksen tyypin mukaan jokainen robotti kerää erityyppistä dataa ympäristöstään. Seuraavassa on luettelo joistakin suosituimmista data-tyypeistä, joita keräämme tarkastelukampanjamme aikana:

1. Korkearesoluutioiset värikuvat. Esimerkiksi Unmanned Aerial Vehicles (UAV) -lentokoneet keräävät 40 megapikselin kuvia tarkastelutyössä
2. 3D-pilvipistekohtaiset tiedot. Esimerkki tästä on 3D-pilvipistekohtaiset tiedot, joita jotkut putken sisällä liikkuvat robotit keräävät.
3. Jotkut maanpäälliset robotit käsittelevät LIDAR-dataa navigointia varten
4. Infrapunakuvat. UAV-lentokoneemme ja Asset Identification and Mapping (AIM) -ratkaisumme voivat kerätä infrapunakuvia tarkastelutyössä varusteiden kunnon arvioimiseksi.
5. Korkeataajuinen tutka. RRES (Robotic Roadworks and Excavation System) käyttää maanalaista tutkaa kartoittaakseen maanalaisten varusteiden sijaintia.

On paljon muita erityyppisiä dataa, joita jotkut alustamme keräävät eri tarkoituksiin, jotka eivät ole mukana tässä luettelossa niiden soveltamisen vuoksi yhteen teollisuuteen.

Voitko keskustella siitä, miten nämä kuvat on geotagi?

Jokaisella robotti-alustalla geotagging tapahtuu yksilöllisesti kyseiselle järjestelmälle ja sen ympäristön saataville tiedoille.

AIM-järjestelmämme käyttää laitteiston sisäistä GPS:ää kartoittaakseen kartoitusajoneuvomme reittiä. Käyttäen muita laitteiston sisäisiä antureita, tietokoneen näköalgoritmeja ja kohdetunnistusta, oma ohjelmistomme mittailee jokaisen tunnistetun varusteiden sijainnin ja geotaggaa niiden kuvat vastaavasti. GPS:stä riippumattomissa ympäristöissä, kuten maanalaisten putkien sisällä, robotit käyttävät muita menetelmiä viestimään maanpäällisten kartoitusajoneuvojen kanssa geotaggaamaan kerätty data putken sisältä.

Mitkä ovat koneoppimisen teknologioita, joita käytetään tällä hetkellä datan prosessointiin?

On kolme pääasiallista koneoppimisen menetelmää, joita käytetään robotti-insinööritieteessä ja autonomisessa datan prosessoinnissa, ja kaikki nämä ovat käytössä eri sovelluksissa ULC Technologies:ssa.

1. Valvottu oppiminen, jossa tarvitaan perustodistus kouluttaa malli. Nämä mallit ovat tarkin datan prosessoinnissa. ULC:n AIM-ratkaisu käyttää tätä mallia tunnistamaan maanpäällisiä sähköverkko-varusteita korkealla tarkkuudella ja toistettavuudella.
2. Valvomaton oppiminen, jossa malli tunnistaa samankaltaisuudet ja poikkeamat datasta. Olemme käyttäneet tätä menetelmää prosessoidaksemme kameran kuvaa putken sisällä liikkuvista roboteista ja kartoittaaksemme niiden sijainnin putkessa.
3. Vahvistusoppiminen, joka on palkkiojärjestelmä kouluttaa monimutkaisia laitteita ilman monimutkaisia käänteisiä kinemaattisia laskelmia. Käytämme tätä menetelmää ohjaamaan RRES-alustan robotti-kättä suorittamaan eri kaivamisoperaatioita.

Onko mitään muuta, mitä haluaisit jakaa ULC Technologies:sta?

Olemme aina etsimässä yhteistyökumppaneita teollisuuden, energian ja rakennusalan johtajien kanssa tunnistamaan ja kehittämään innovatiivisia ratkaisuja. Kehittämistyömme ja kenttätestaamisen kautta jatkamme AI- ja koneoppimiskykyjemme parantamista ja odotamme ratkaisevamme uusia haasteita asiakkaillemme tulevaisuudessa.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla ULC Technologies:ssa.