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 un pionnier de l'ingénierie robotique et du développement technologique pour les marchés de l'énergie, des services publics et de l'industrie. Depuis ses débuts en 2001, ULC s'est toujours concentré sur l'amélioration des opérations des services publics et le soutien à l'amélioration des infrastructures.

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

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

L'apprentissage automatique est un concept qui est devenu très populaire au début de 2010. Après avoir suivi quelques cours de base sur l'apprentissage automatique et les réseaux de neurones, j'ai immédiatement commencé à appliquer les méthodes dans mes recherches et mon travail. Je suis personnellement étonné de voir à quel point les concepts d'apprentissage automatique sont similaires à la façon dont le cerveau humain apprend et fonctionne. L'utilisation de l'apprentissage automatique en robotique est relativement nouvelle et a 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 certains terrains difficiles. Quels sont certains des défis derrière la construction d'un évitement d'obstacles et d'une planification de trajectoire entièrement autonomes pour ces types de robots ?

Une grande partie de notre travail s'est concentrée sur l'inspection et l'assainissement 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 guise de solution, ULC a développé des systèmes robotiques de pipeline commerciaux qui sont entraînés manuellement dans les conduites de gaz. Au cours des 20 dernières années, notre expertise en robotique de pipeline s'est élargie, ce qui nous permet désormais d'intégrer davantage d'éléments d'automatisation et d'apprentissage automatique.

L'une de ces initiatives 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 le pipeline et les caractéristiques à l'intérieur du tuyau. Ces données aideront éventuellement à ouvrir des voies pour éviter les obstacles et planifier des trajectoires dans ces environnements de pipeline très complexes.

Quelles sont certaines des solutions robotiques actuellement proposées ? 

ULC travaille avec des entreprises de services publics et d'énergie pour développer et déployer des solutions robotiques pour l'inspection, la réparation et l'entretien des infrastructures en surface 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 conduites de gaz en fonte sous tension et traverse le tuyau pour sceller l'intérieur des joints, ce qui aide les réseaux de gaz à prévenir toute fuite et prolonge la durée de vie du tuyau jusqu'à 50 ans, le tout sans couper le gaz aux clients. ULC a également développé une suite de robots systèmes de caméras et de chenilles pour inspecter les conduites de gaz sous tension, aider les services publics à réduire les risques, à améliorer l'efficacité et à résoudre les problèmes 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 Système robotisé de travaux routiers et d'excavation (RRES), un projet que nous développons en collaboration avec la société britannique SGN. RRES est un système robotique entièrement électrique conçu pour remplacer les méthodes d'excavation conventionnelles avec des capacités qui incluent la détection souterraine, le carottage et la coupe des chaussées, l'excavation automatisée au toucher doux, les installations de tuyaux, puis la possibilité de rétablir la chaussée. Grâce à un développement ultérieur, nous espérons élargir la gamme d'opérations que RRES peut effectuer à l'avenir.

Ceci n'est qu'un échantillon des solutions robotiques que nous proposons actuellement, mais des informations supplémentaires sur nos technologies sont disponibles sur notre site Web. Nous avons de nombreux autres projets en développement et cherchons toujours à nous associer à des entreprises des secteurs des services publics, de l'énergie et de l'industrie qui recherchent des solutions automatisées.

Quel type de données est collecté?

ULC Technologies construit des solutions robotiques personnalisées pour relever les différents défis techniques de l'industrie. En fonction du type d'application, chaque robot capture différents types de données de son environnement. Voici une liste de certains types de données populaires que nous recueillons tout au long de notre opération d'inspection :

1. Images colorées haute résolution. A titre d'exemple, notre Véhicules aériens sans pilote (UAV) capturer des images 40MPixel pendant les travaux d'inspection
2. Nuages ​​de points 3D. Un exemple de ceci est les nuages ​​de points 3D que certains de nos robots sur chenilles dans les tuyaux collectent.
3. Certains de nos robots hors sol traitent les données LIDAR pour la navigation
4. Images infrarouges. Notre solution d'UAV et d'identification et de cartographie des actifs (AIM) peut capturer des images infrarouges pendant les travaux d'inspection pour l'évaluation de l'état des actifs.
5. Radar haute fréquence. Le RRES (Robotic Roadworks and Excavation System) utilise le géoradar pour cartographier l'emplacement des actifs enfouis sous le sol.

Il existe de nombreux autres types de données que certaines de nos plateformes collectent à des fins différentes qui ne sont pas incluses dans cette liste en raison de leur application spécifique à un secteur.

Pourriez-vous expliquer comment ces images sont géolocalisées ?

Sur chaque plate-forme robotique, la géolocalisation des images capturées est unique à ce système et aux informations disponibles dans son environnement.

Notre système AIM utilise un GPS embarqué pour tracer le chemin de notre véhicule d'enquête. À l’aide d’autres capteurs embarqués, d’algorithmes de vision par ordinateur et de suivi de cibles, notre logiciel exclusif mesure l’emplacement de chaque actif identifié et géolocalise ses images en conséquence. Dans les environnements dépourvus de GPS, comme à l'intérieur d'une canalisation souterraine, nos robots utilisent d'autres méthodes pour communiquer avec les véhicules d'enquête en surface afin de géolocaliser les données capturées depuis l'intérieur de la canalisation.

Quelles sont certaines des technologies d'apprentissage automatique actuellement utilisées pour traiter les données ?

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

1. Apprentissage supervisé, où la vérité terrain est nécessaire pour former le modèle. Ces modèles ont une plus grande précision dans le traitement des données. La solution AIM d'ULC utilise ce modèle pour identifier les actifs d'infrastructure électrique hors sol avec une précision et une répétabilité élevées.
2. Apprentissage non supervisé, dans lequel le modèle identifie les similitudes et les anomalies dans les données. Nous avons utilisé cette méthode pour traiter les images de la caméra de nos robots d'exploration dans les canalisations et cartographier leur emplacement le long de la canalisation.
3. L'apprentissage par renforcement, qui est un système basé sur les récompenses pour former des dispositifs complexes sans calculs cinématiques inverses compliqués. Nous utilisons cette méthode pour faire fonctionner le bras robotisé sur la plate-forme RRES pour effectuer différentes opérations d'excavation.

Y a-t-il autre chose que vous aimeriez partager au sujet d'ULC Technologies?

Nous cherchons toujours à nous associer à des leaders des secteurs de l'industrie, de l'énergie et de la construction pour identifier et collaborer au développement de solutions innovantes. Grâce à notre travail et à nos tests sur le terrain, nous continuons d'améliorer nos capacités d'IA et d'apprentissage automatique et nous sommes impatients de résoudre de nouveaux défis pour nos clients à l'avenir.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter ULC Technologies.