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

Ali Asmari, PhD est le responsable de l’IA et de l’apprentissage automatique chez ULC Technologies. ULC Technologies est considéré comme un pionnier 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 principal d’ULC a toujours été l’amélioration des opérations des services publics et le soutien de 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 mécanique dans l’enseignement supérieur. Mes sujets préférés à l’université étaient la dynamique des machines et le contrôle non linéaire, qui sont 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 de robots internationales partout dans le monde. J’ai également décidé de poursuivre mes études dans ce domaine et j’ai entamé des études supérieures 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 sur l’apprentissage automatique et les réseaux de neurones, j’ai immédiatement commencé à appliquer ces méthodes dans mes recherches et mon travail. Je suis personnellement étonné par la similitude 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 beaucoup à faire, et je me sens très chanceux de faire partie de ce mouvement.

ULC Technologies dispose de nombreux robots conçus pour aller sous terre dans des terrains difficiles. Quels sont les défis liés à la construction de systèmes de détection 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 réparation interne des anciens pipelines 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 commerciaux pour les pipelines qui sont actionnés manuellement à travers les canalisations de gaz. Au cours des 20 dernières années, notre expertise dans la robotique des pipelines s’est élargie, ce qui nous permet maintenant d’intégrer davantage 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 pipelines afin que nous puissions identifier et cartographier efficacement les pipelines et les caractéristiques à l’intérieur du pipeline. Ces données aideront finalement à ouvrir des voies pour la détection d’obstacles et la planification de trajectoire dans ces environnements de pipeline complexes.

Quelles sont les solutions robotiques actuelles proposées ?

ULC travaille avec des entreprises de services publics et énergétiques 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 canalisations de gaz en fonte vivantes et se déplace à l’intérieur du pipeline pour sceller les joints de l’intérieur, 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 robotiques de caméras et de systèmes de déplacement pour inspecter les canalisations de gaz vivantes, 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 disposons également d’une équipe de recherche et développement interne qui travaille sur des solutions robotiques pour d’autres industries. Un exemple est le Système de travaux routiers et d’excavation robotique (RRES), un projet que nous développons en collaboration avec l’entreprise britannique SGN. Le RRES est un système robotique entièrement électrique conçu pour remplacer les méthodes conventionnelles d’excavation avec des capacités qui incluent la détection sous terre, le forage et le découpage des routes, l’excavation automatique à toucher doux, l’installation de tuyaux et la possibilité de rétablir la route. Grâce à un développement ultérieur, nous espérons élargir la gamme d’opérations que le 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 nous sommes toujours à la recherche de partenariats avec des entreprises des secteurs des services publics, de l’énergie et de l’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 différents types de données 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 de ceci est les nuages de points 3D que certains de nos robots de déplacement dans les pipelines collectent.
3. Certains de nos robots aériens traitent des données LIDAR pour la navigation
4. Images infrarouges. Nos UAV et la solution d’identification et de cartographie d’actifs (AIM) peuvent capturer des images infrarouges lors des travaux d’inspection pour l’évaluation de l’état des actifs.
5. Radar haute fréquence. Le RRES (Système de travaux routiers et d’excavation robotique) 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 pour différents objectifs 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 se fait 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 au-dessus du sol 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 principaux types d’apprentissage automatique qui sont utilisés dans la robotique et le traitement de données autonomes, tous lesquels sont utilisés dans différentes applications chez ULC Technologies.

1. L’apprentissage supervisé, où la vérité de terrain est nécessaire pour entraîner le modèle. Ces modèles ont une précision plus élevée dans le traitement des données. La solution AIM d’ULC utilise ce modèle pour identifier les actifs d’infrastructure électrique aérienne avec une grande précision et reproductibilité.
2. L’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 robots de déplacement dans les pipelines et cartographier leur emplacement le long du pipeline.
3. L’apprentissage par renforcement, qui est un système basé sur les récompenses pour entraîner des appareils complexes sans calculs de cinématique inverse complexes. Nous utilisons cette méthode pour faire fonctionner le bras robotique sur 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 les leaders de l’industrie, de l’énergie et de la 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 interview, les lecteurs qui souhaitent en savoir plus peuvent visiter ULC Technologies.