ULC Technologies의 AI 및 머신 러닝 책임자 Ali Asmari 박사 – 인터뷰 시리즈

Ali Asmari 박사는 ULC Technologies의 AI 및 머신 러닝 책임자입니다. ULC Technologies는 로봇 공학 및 에너지, 공공事業, 산업 시장의 기술 개발에서 선구적인 역할을 하고 있습니다. 2001년 설립 이후 ULC는 공공事業 운영의 강화와 인프라 개선을 지원하는 데 항상 초점을 두어 왔습니다.

로봇과 AI에 처음 관심을 가지게 된 계기는 무엇인가요?

고등학교 시절 수학과 물리학을 rất 잘했기 때문에 대학에서 기계공학을 전공했습니다. 대학에서 가장 좋아하는 과목은 기계 동역학과 비선형 제어였습니다. 이 두 과목은 로봇 시스템의 제어에 필요한 모든 도구를 제공합니다. 이러한 주제로 인해 로봇을 실제로 구축하고 세계 곳곳에서 열리는 국제 로봇 대회에 참가할 수 있었습니다. 또한 로봇공학을 더 깊이 공부하기 위해 대학원에 진학하여 로봇공학을 전공했습니다.

머신 러닝은 2010년 초에 적용되기 시작한 개념입니다. 머신 러닝과 신경망에 대한 몇 가지 기본 과정을 수강한 후, 즉시 연구와 업무에 이러한 방법을 적용하기 시작했습니다. 머신 러닝 개념이 인간의 뇌가 학습하고 작동하는 방식과 얼마나 유사한지 개인적으로 놀랍습니다. 로봇에서 머신 러닝의 사용은 상대적으로 새로운 분야이며 아직 갈 길이 멀지만 이 운동의 일부가 된 것을幸運하게 생각합니다.

ULC Technologies는 지하로 내려가는 로봇을 설계했습니다. 이러한 로봇을 위한 완전한 자율 주행 장애물 회피 및 경로 계획의 어려움은 무엇인가요?

우리의 많은 작업은 도시 지역의 오래된 파이프라인의 검사 및 내부 보수를 위해 집중되어 왔습니다. 이러한 파이프라인 내에서 파편이 일반적으로 발견되므로 완전한 자율 솔루션이 어려울 수 있습니다. 해결책으로 ULC는 가스 본管을 수동으로 운전하는 상업용 파이프라인 로봇 시스템을 개발했습니다.過去 20년 동안 파이프라인 로봇에 대한 우리의 전문 지식은 확대되어 자동화 및 머신 러닝의 더 많은 요소를 통합할 수 있게 되었습니다.

그런 한 가지 이니셔티브는 Distribution Network Information Mapping (DNIM)입니다. 이는 영국 가스 네트워크인 SGN과 협력하여 파이프라인 네트워크에 머신 러닝을 적용하여 파이프라인과 파이프 내의 기능을 효율적으로 식별하고 매핑할 수 있도록 하는 것입니다. 이 데이터는 궁극적으로 이러한 복잡한 파이프라인 환경에서 장애물 회피 및 경로 계획을 위한 경로를 열어줄 것입니다.

현재 제공되는 로봇 솔루션은 무엇인가요?

ULC는 공공事業 및 에너지 회사와 협력하여 지상 및 지하 인프라의 검사, 수리 및 유지 보수를 위한 로봇 솔루션을 개발 및 배포합니다.

우리는 CISBOT이라는 로봇을 개발했습니다. 이 로봇은 생체 가스 본관에 들어가서 파이프를 통해 이동하여 조인트를 내부적으로 봉인하여 가스 네트워크가 누수를 방지하고 파이프의 수명을 최대 50년까지 연장할 수 있습니다. 고객에게 가스를 끊지 않고도 수행할 수 있습니다. ULC는 또한 생체 가스 본관의 검사를 위한 로봇 카메라 및 크롤러 시스템을 개발했습니다. 이는 공공事業을위한 위험을 줄이고 효율성을 개선하며 운영상의課題를 해결하는 데 도움이 됩니다.

지하 로봇 시스템 외에도 우리는 다른 산업을 위한 로봇 솔루션을 개발 중인 내부 연구 개발 팀이 있습니다. 예를 들어, 영국 회사인 SGN과 협력하여 개발 중인 프로젝트는 Robotic Roadworks & Excavation System (RRES)입니다. RRES는 전기 로봇 시스템으로 전통적인 발굴 방법을 대체하고 있습니다. 이는 지하 감지, 코어링 및 도로 절단, 자동 소프트 터치 발굴, 파이프 설치 및 도로 복구와 같은 기능을 수행할 수 있습니다. 향후 이러한 작업의 범위를 확대하기 위해 추가 개발을 진행할 계획입니다.

이것은 현재 제공하는 로봇 솔루션의 일부입니다. 하지만 우리의 기술에 대한 자세한 정보는 웹사이트에서 찾을 수 있습니다. 우리는 공공事業, 에너지 및 산업 분야의 기업들과 자동화 솔루션 개발에 대한 협력을 모색하고 있습니다.

어떤 종류의 데이터를 수집하나요?

ULC Technologies는 산업의 다양한 기술적인課題를 해결하기 위한 맞춤형 로봇 솔루션을 구축합니다. 애플리케이션 유형에 따라 각 로봇은 환경에서 다른 유형의 데이터를 수집합니다. 다음은 우리가 검사 작업 중에 수집하는 인기 있는 데이터 유형의 일부입니다.

1. 고해상도 컬러 이미지. 예를 들어, 우리의 무인 항공기(UAV)는 검사 작업 중에 40메가픽셀 이미지를 캡처합니다.
2. 3D 포인트 클라우드. 일부 파이프 내 크롤러 로봇이 수집하는 3D 포인트 클라우드가 있습니다.
3. 일부 지상 로봇은 탐색을 위해 LIDAR 데이터를 처리합니다.
4. 적외선 이미지. 우리의 UAV와 자산 식별 및 매핑(AIM) 솔루션은 자산의 상태 평가를 위해 검사 작업 중에 적외선 이미지를 캡처할 수 있습니다.
5. 고주파 레이더. RRES(로봇 도로 공사 및 발굴 시스템)는 지하에 매장된 자산의 위치를 매핑하기 위해 지面 관통 레이더를 사용합니다.

이 목록에 포함되지 않은 다른 유형의 데이터도 있습니다. 이러한 데이터는 특정 산업에만 적용되는 경우가 많습니다.

이미지를 지오태깅하는 방법에 대해 설명해 주시겠습니까?

각 로봇 플랫폼에서 캡처된 이미지를 지오태깅하는 것은 시스템과 환경의 사용 가능한 정보에 따라 고유합니다.

우리의 AIM 시스템은 온보드 GPS를 사용하여 조사 차량의 경로를 매핑합니다. 다른 온보드 센서, 컴퓨터 비전 알고리즘 및 타겟 트래킹을 사용하여 우리의 독점적인 소프트웨어는 매핑된 모든 자산의 위치를 측정하고 해당 이미지를 지오태깅합니다. GPS가 부족한 환경에서는 지하 파이프 내에서 로봇이 지상 조사 차량과 통신하여 파이프 내에서 캡처된 데이터를 지오태깅합니다.

현재 데이터를 처리하는 데 사용되는 머신 러닝 기술은 무엇인가요?

로봇과 자율 데이터 처리에서 사용되는 머신 러닝의 세 가지 주요 방법이 있습니다. 모두 ULC Technologies에서 다양한 애플리케이션에서 사용되고 있습니다.

1. 지도 학습, जह서 모델을 훈련하기 위해 근거 진리가 필요합니다. 이러한 모델은 데이터 처리에서 더 높은 정확도를 가지고 있습니다. ULC의 AIM 솔루션은 높은 정확도와 반복 가능성으로 지상 전기 인프라 자산을 식별하는 데 이 모델을 사용합니다.
2. 비지도 학습, जह서 모델은 데이터에서 유사성과 이상을 식별합니다. 우리는 이 방법을 사용하여 파이프 내 크롤러의 카메라 영상을 처리하고 파이프를 따라 위치를 매핑합니다.
3. 강화 학습, 이는 복잡한 장치를 훈련하는 데 사용되는 보상 기반 시스템입니다. 우리는 RRES 플랫폼의 로봇 암을 작동시키는 데 이 방법을 사용하여 다양한 발굴 작업을 수행합니다.

ULC Technologies에 대해 더 공유하고 싶은 내용이 있나요?

우리는 항상 산업, 에너지 및 건설 산업의 리더들과 협력하여 혁신적인 솔루션의 개발을 식별하고 협력하고 있습니다. 우리의 작업과 현장 테스트를 통해 우리는 지속적으로 우리의 AI 및 머신 러닝 기능을 향상시키고 있으며 고객에게 새로운課題를 해결하기 위해 앞으로 나아갈 것입니다.

멋진 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 ULC Technologies를 방문하십시오.