Ali Asmari, PhD, Responsable de l’IA et de l’apprentissage automatique chez ULC Technologies – Série d’entretiens

Ali Asmari, PhD est responsable de l’IA et de l’apprentissage automatique chez ULC Technologies. ULC Technologies est considérée comme une pionnière dans l’ingénierie de la robotique et le développement de technologies pour les marchés de l’énergie, des services publics et de l’industrie. Depuis sa création en 2001, l’objectif de ULC a toujours été d’améliorer les opérations des services publics et de soutenir l’amélioration des infrastructures.

Qu’est-ce qui vous a initialement attiré vers la robotique et l’IA ?

J’étais très doué en mathématiques et en physique au lycée, ce qui m’a conduit à étudier la génie mécanique à l’université. Mes sujets préférés à l’université étaient la dynamique des machines et le contrôle non linéaire, tous deux nécessaires pour le contrôle des systèmes robotiques. Ces sujets vous donnent tous les outils nécessaires pour transformer votre imagination robotique en réalité. Non seulement j’ai construit mes propres robots à l’université, mais j’ai également participé à des compétitions internationales de robotique dans le monde entier. J’ai également décidé de poursuivre mes études dans ce domaine et suis entré en école de doctorat pour devenir un roboticien.

L’apprentissage automatique est un concept qui est devenu très populaire dans les applications au début des années 2010. Après avoir suivi quelques cours de base en apprentissage automatique et en réseaux de neurones, j’ai immédiatement commencé à appliquer ces méthodes dans mes recherches et mon travail. Je suis personnellement étonné par la similarité entre les concepts d’apprentissage automatique et la façon dont le cerveau humain apprend et fonctionne. L’utilisation de l’apprentissage automatique dans la robotique est relativement nouvelle et a encore un long chemin à parcourir, et je me sens très chanceux de faire partie de ce mouvement.

ULC Technologies possède de nombreux robots conçus pour aller sous terre dans des terrains difficiles. Quels sont les défis liés à la construction de systèmes d’évitement d’obstacles et de planification de trajectoire entièrement autonomes pour ces types de robots ?

Beaucoup de notre travail a porté sur l’inspection et la rénovation interne des pipelines plus anciens dans les zones urbaines, et dans ces pipelines, des débris sont couramment trouvés, ce qui rend les solutions entièrement autonomes difficiles. En tant que solution, ULC a développé des systèmes robotiques de pipeline commerciaux qui sont actionnés manuellement à travers les gazoducs. Au cours des 20 dernières années, notre expertise dans la robotique de pipeline s’est élargie, ce qui nous permet maintenant d’intégrer plus d’éléments d’automatisation et d’apprentissage automatique.

L’un de ces projets s’appelle Distribution Network Information Mapping (DNIM), qui est un projet collaboratif avec le réseau de gaz britannique, SGN, pour appliquer l’apprentissage automatique aux réseaux de pipeline afin que nous puissions identifier et cartographier efficacement les pipelines et les caractéristiques à l’intérieur du pipeline. Ces données aideront éventuellement à ouvrir des voies pour l’évitement d’obstacles et la planification de trajectoire dans ces environnements de pipeline très complexes.

Quelles sont les solutions robotiques actuelles proposées ?

ULC travaille avec des sociétés de services publics et d’énergie pour développer et déployer des solutions robotiques pour inspecter, réparer et maintenir les infrastructures aériennes et souterraines, telles que les pipelines, les usines de GNL, les sous-stations et d’autres environnements complexes.

Nous avons développé un robot appelé CISBOT qui pénètre dans les gazoducs en fonte vivants et se déplace à l’intérieur du pipeline pour sceller les joints, ce qui aide les réseaux de gaz à prévenir les fuites et à prolonger la durée de vie du pipeline de jusqu’à 50 ans, le tout sans couper le gaz aux clients. ULC a également développé une gamme de systèmes de caméra et de crawlers robotiques pour inspecter les gazoducs vivants, aidant les services publics à réduire les risques, améliorer l’efficacité et résoudre les défis opérationnels.

En dehors de nos systèmes robotiques souterrains actuels, nous avons également une équipe de R&D interne qui travaille sur des solutions robotiques pour d’autres industries. Un exemple est le Robotic Roadworks & Excavation System (RRES), un projet que nous développons en collaboration avec une société britannique, SGN. RRES est un système robotique tout électrique conçu pour remplacer les méthodes conventionnelles d’excavation avec des capacités qui incluent la détection sous terre, le forage et la coupe des routes, l’excavation automatique douce, l’installation de pipelines et la possibilité de rétablir la route. Grâce à un développement ultérieur, nous espérons élargir la gamme d’opérations que RRES peut effectuer à l’avenir.

Ceci n’est qu’un aperçu des solutions robotiques que nous proposons actuellement, mais des informations supplémentaires sur nos technologies peuvent être trouvées sur notre site Web. Nous avons de nombreux autres projets en développement et sommes toujours à la recherche de partenariats avec des sociétés de services publics, d’énergie et d’industrie qui cherchent des solutions automatisées.

Quel type de données est collecté ?

ULC Technologies construit des solutions robotiques personnalisées pour répondre à différents défis techniques dans l’industrie. En fonction du type d’application, chaque robot capte un type de données différent de son environnement. Voici une liste de certains des types de données populaires que nous collectons au cours de nos opérations d’inspection :

1. Images haute résolution en couleur. Par exemple, nos véhicules aériens sans pilote (UAV) capturent des images de 40 mégapixels lors des travaux d’inspection
2. Nuages de points 3D. Un exemple est les nuages de points 3D que certains de nos robots de crawlage de pipeline collectent.
3. Certaines de nos solutions robotiques aériennes traitent des données LIDAR pour la navigation
4. Images infrarouges. Nos UAV et notre solution d’identification et de cartographie d’actifs (AIM) peuvent capturer des images infrarouges lors des travaux d’inspection pour évaluer l’état des actifs.
5. Radar haute fréquence. Le RRES (Robotic Roadworks and Excavation System) utilise un radar à pénétration de sol pour cartographier l’emplacement des actifs enterrés sous le sol.

Il existe de nombreux autres types de données que certaines de nos plateformes collectent à des fins spécifiques qui ne sont pas inclus dans cette liste en raison de leur application spécifique à une industrie.

Pouvez-vous discuter de la façon dont ces images sont géoréférencées ?

Sur chaque plateforme robotique, la géoréférencement des images capturées a lieu de manière unique à ce système et aux informations disponibles dans son environnement.

Notre système AIM utilise un GPS embarqué pour cartographier le chemin de notre véhicule de survey. En utilisant d’autres capteurs embarqués, des algorithmes de vision par ordinateur et un suivi de cible, notre logiciel propriétaire mesure l’emplacement de chaque actif identifié et géoréférence leurs images en conséquence. Dans les environnements privés de GPS, tels que à l’intérieur d’un pipeline souterrain, nos robots utilisent d’autres méthodes pour communiquer avec les véhicules de survey aériens pour géoréférencer les données capturées à l’intérieur du pipeline.

Quelles sont les technologies d’apprentissage automatique actuellement utilisées pour traiter les données ?

Il existe trois méthodes principales d’apprentissage automatique qui sont utilisées dans la robotique et le traitement de données autonome, toutes lesquelles sont utilisées dans différentes applications chez ULC Technologies.

1. Apprentissage supervisé, où la vérité terrain est nécessaire pour former le modèle. Ces modèles ont une précision plus élevée dans le traitement des données. La solution AIM de ULC utilise ce modèle pour identifier les actifs d’infrastructure électrique aérienne avec une grande précision et reproductibilité.
2. Apprentissage non supervisé, dans lequel le modèle identifie les similarités et les anomalies dans les données. Nous avons utilisé cette méthode pour traiter les images de caméra de nos crawlers de pipeline et cartographier leur emplacement le long du pipeline.
3. Apprentissage par renforcement, qui est un système basé sur des récompenses pour former des appareils complexes sans calculs de cinématique inverse complexes. Nous utilisons cette méthode pour actionner le bras robotique de la plateforme RRES pour effectuer différentes opérations d’excavation.

Y a-t-il autre chose que vous aimeriez partager sur ULC Technologies ?

Nous sommes toujours à la recherche de partenariats avec des leaders dans les industries industrielles, énergétiques et de construction pour identifier et collaborer sur le développement de solutions innovantes. Grâce à notre travail et à nos tests sur le terrain, nous continuons à améliorer nos capacités d’IA et d’apprentissage automatique et nous nous réjouissons de relever de nouveaux défis pour nos clients à l’avenir.

Je vous remercie pour cette grande entrevue, les lecteurs qui souhaitent en savoir plus peuvent visiter ULC Technologies.