Ali Asmari, PhD, Head of AI and Machine Learning at ULC Technologies – Interview Series

Ali Asmari, PhD è il capo di AI e machine learning presso ULC Technologies. ULC Technologies è considerata una pioniera nell’ingegneria robotica e nello sviluppo tecnologico per i mercati energetici, delle utility e industriali. Dal suo inizio nel 2001, l’obiettivo di ULC è sempre stato il miglioramento delle operazioni di utility e il supporto al miglioramento delle infrastrutture.

Cosa ti ha inizialmente attratto verso la robotica e l’AI?

Ero molto bravo in matematica e fisica al liceo, il che mi ha portato a studiare ingegneria meccanica all’università. Le mie materie preferite all’università erano Dinamica delle Macchine e Controllo Non Lineare, entrambe necessarie per il controllo dei sistemi robotici. Queste materie ti forniscono tutti gli strumenti necessari per trasformare la tua immaginazione robotica in realtà. Non solo ho costruito i miei propri robot all’università, ma ho anche partecipato a competizioni robotiche internazionali in tutto il mondo. Ho anche deciso di approfondire lo studio del campo e sono entrato nella scuola di dottorato per diventare un robotista.

La machine learning era un concetto che è diventato molto popolare nell’applicazione all’inizio del 2010. Dopo aver seguito alcuni corsi di base su Machine Learning e Reti Neurali, ho immediatamente iniziato ad applicare i metodi nella mia ricerca e nel mio lavoro. Sono personalmente affascinato da quanto i concetti di machine learning siano simili al modo in cui il cervello umano apprende e funziona. L’uso della machine learning nella robotica è relativamente nuovo e ha ancora una lunga strada da percorrere e mi sento molto fortunato di far parte di questo movimento.

ULC Technologies ha molti robot progettati per andare sottoterra in alcuni terreni difficili. Quali sono alcune delle sfide dietro la costruzione di soluzioni di evitamento di ostacoli e pianificazione del percorso completamente autonome per questi tipi di robot?

Gran parte del nostro lavoro si è concentrato sull’ispezione e sulla rimozione interna di vecchie condutture in aree urbane e all’interno di queste condutture, i detriti sono comunemente trovati, il che rende le soluzioni completamente autonome impegnative. Come soluzione, ULC ha sviluppato sistemi robotici commerciali per condutture che sono guidati manualmente attraverso i gasdotti. Nel corso degli ultimi 20 anni, la nostra esperienza nella robotica per condutture si è ampliata, il che ci consente ora di integrare più elementi di automazione e machine learning.

Un’iniziativa di questo tipo si chiama Distribution Network Information Mapping (DNIM), che è un progetto collaborativo con la rete del gas del Regno Unito, SGN, per applicare la machine learning alle reti di condutture in modo che possiamo identificare e mappare efficientemente la conduttura e le caratteristiche all’interno della conduttura. Questi dati aiuteranno eventualmente a creare percorsi per l’evitamento di ostacoli e la pianificazione del percorso in questi ambienti di condutture altamente complessi.

Quali sono alcune delle soluzioni robotiche attuali offerte?

ULC lavora con società di utility e energia per sviluppare e distribuire soluzioni robotiche per l’ispezione, la riparazione e la manutenzione di infrastrutture sopra e sottoterra, come condutture, impianti di GNL, sottostazioni e altri ambienti complessi.

Abbiamo sviluppato un robot chiamato CISBOT che entra nelle condutture di ghisa vive e viaggia attraverso la conduttura per sigillare internamente le giunzioni, il che aiuta le reti del gas a prevenire perdite e prolunga la vita della conduttura fino a 50 anni, tutto senza interrompere il gas ai clienti. ULC ha anche sviluppato una serie di sistemi robotici di telecamere e crawler per l’ispezione di condutture di gas vive, aiutando le utility a ridurre i rischi, migliorare l’efficienza e risolvere le sfide operative.

Al di fuori dei nostri attuali sistemi robotici sottoterra, abbiamo anche un team di R&D interno che sta lavorando su soluzioni robotiche per altri settori. Un esempio è il Robotic Roadworks & Excavation System (RRES), un progetto che stiamo sviluppando in collaborazione con la società del Regno Unito, SGN. RRES è un sistema robotico completamente elettrico progettato per sostituire i metodi convenzionali di escavazione con capacità che includono il rilevamento sottoterra, la perforazione e il taglio delle strade, l’escavazione automatizzata a tocco morbido, l’installazione di tubi e quindi la capacità di ripristinare la strada. Attraverso ulteriore sviluppo, speriamo di ampliare la gamma di operazioni che RRES può eseguire in futuro.

Questo è solo un esempio delle soluzioni robotiche che attualmente offriamo, ma ulteriori informazioni sui nostri tecnologie possono essere trovate sul nostro sito web. Abbiamo molti altri progetti in sviluppo e stiamo sempre cercando di collaborare con società nel settore delle utility, dell’energia e dell’industria che stanno cercando soluzioni automatizzate.

Qual tipo di dati viene raccolto?

ULC Technologies costruisce soluzioni robotiche personalizzate per affrontare diverse sfide tecniche nel settore. In base al tipo di applicazione, ogni robot cattura diversi tipi di dati dal suo ambiente. Ecco un elenco di alcuni dei tipi di dati più comuni che raccogliamo durante le nostre operazioni di ispezione:

1. Immagini a colori ad alta risoluzione. Ad esempio, i nostri Veicoli Aerei senza Pilota (UAV) catturano immagini da 40MPixel durante il lavoro di ispezione
2. Nuvole di punti 3D. Un esempio di ciò è la nuvola di punti 3D che alcuni dei nostri robot crawler in-pipe raccolgono.
3. Alcuni dei nostri robot sopra il terreno elaborano dati LIDAR per la navigazione
4. Immagini a infrarossi. I nostri UAV e la soluzione di Identificazione e Mappatura degli Asset (AIM) possono catturare immagini a infrarossi durante il lavoro di ispezione per la valutazione della condizione degli asset.
5. Radar ad alta frequenza. Il RRES (Robotic Roadworks and Excavation System) utilizza il radar a penetrazione del terreno per mappare la posizione degli asset sepolti sotto il terreno.

Ci sono molti altri tipi di dati diversi che alcune delle nostre piattaforme raccolgono per scopi diversi che non sono inclusi in questa lista a causa della loro applicazione specifica a un settore.

Potresti discutere come queste immagini vengono geotaggate?

Su ogni piattaforma robotica, il geotagging delle immagini catturate avviene in modo univoco per quel sistema e le informazioni disponibili nel suo ambiente.

Il nostro sistema AIM utilizza un GPS a bordo per mappare il percorso del nostro veicolo di survey. Utilizzando altri sensori a bordo, algoritmi di visione computerizzata e tracciamento di bersagli, il nostro software proprietario misura la posizione di ogni asset identificato e geotagga le loro immagini di conseguenza. In ambienti privi di GPS, come all’interno di una conduttura sottoterra, i nostri robot utilizzano altri metodi per comunicare con i veicoli di survey sopra il terreno per geotaggare i dati catturati all’interno della conduttura.

Quali sono alcune delle tecnologie di machine learning attualmente utilizzate per elaborare i dati?

Ci sono tre metodi principali di machine learning che vengono utilizzati nella robotica e nell’elaborazione dei dati autonomi, tutti i quali vengono utilizzati in diverse applicazioni presso ULC Technologies.

1. Apprendimento supervisionato, in cui è necessario un ground truth per addestrare il modello. Questi modelli hanno una maggiore accuratezza nell’elaborazione dei dati. La soluzione AIM di ULC utilizza questo modello per identificare gli asset di infrastrutture elettriche sopra il terreno con alta accuratezza e ripetibilità.
2. Apprendimento non supervisionato, in cui il modello identifica somiglianze e anomalie nei dati. Abbiamo utilizzato questo metodo per elaborare i filmati delle telecamere dai nostri crawler in-pipe e mappare la loro posizione lungo la conduttura.
3. Apprendimento per rinforzo, che è un sistema basato su ricompense per addestrare dispositivi complessi senza calcoli di cinematica inversa complessi. Stiamo utilizzando questo metodo per operare il braccio robotico sulla piattaforma RRES per eseguire diverse operazioni di escavazione.

C’è qualcos’altro che vorresti condividere su ULC Technologies?

Stiamo sempre cercando di collaborare con leader nel settore industriale, energetico e della costruzione per identificare e collaborare allo sviluppo di soluzioni innovative. Attraverso il nostro lavoro e i test sul campo, continuiamo a migliorare le nostre capacità di AI e machine learning e ci aspettiamo di risolvere nuove sfide per i nostri clienti in futuro.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare ULC Technologies.