인터뷰
Ali Asmari, PhD, ULC Technologies의 AI 및 기계 학습 책임자 – 인터뷰 시리즈
Ali Asmari 박사는 AI 및 기계 학습 부문 책임자입니다. 유엘씨테크놀로지스. ULC Technologies는 에너지, 유틸리티 및 산업 시장을 위한 로봇 엔지니어링 및 기술 개발의 선구자로 간주됩니다. 2001년 시작 이후 ULC의 초점은 항상 유틸리티 운영의 향상과 인프라 개선 지원이었습니다.
처음에 로봇 공학과 AI에 끌린 이유는 무엇입니까?
나는 고등학교 때 수학과 물리학을 아주 잘했고, 그래서 대학에서 기계 공학을 공부하게 되었습니다. 대학에서 내가 가장 좋아하는 주제는 로봇 시스템을 제어하는 데 필요한 기계 역학 및 비선형 제어였습니다. 이러한 주제는 로봇 상상을 현실로 바꾸는 데 필요한 모든 도구를 제공합니다. 저는 대학에서 저만의 로봇을 만들었을 뿐만 아니라 전 세계의 국제 로봇 대회에도 참가했습니다. 저도 그 분야를 더 공부하기로 결심하고 로봇공학자가 되기 위해 대학원에 진학했습니다.
기계 학습은 2010년 초에 응용 분야에서 매우 인기를 얻은 개념입니다. 기계 학습 및 신경망에 대한 몇 가지 기본 과정을 수강한 후 즉시 연구 및 작업에 방법을 적용하기 시작했습니다. 저는 개인적으로 기계 학습 개념이 인간의 두뇌가 학습하고 기능하는 방식과 얼마나 유사한지에 놀랐습니다. 로봇 공학에서 기계 학습을 사용하는 것은 상대적으로 새롭고 갈 길이 멀고 이 운동의 일부가 된 것을 매우 행운으로 생각합니다.
ULC Technologies에는 일부 어려운 지형에서 지하로 이동하도록 설계된 많은 로봇이 있습니다. 이러한 유형의 로봇을 위한 완전 자율적인 장애물 회피 및 경로 계획을 구축하는 데 따르는 어려움은 무엇입니까?
우리 작업의 대부분은 도시 지역의 오래된 파이프라인의 검사 및 내부 개선에 중점을 두었으며 이러한 파이프라인 내에서 일반적으로 잔해물이 발견되어 완전 자율 솔루션을 어렵게 만듭니다. 솔루션으로 ULC는 가스 본관을 통해 수동으로 구동되는 상업용 파이프라인 로봇 시스템을 개발했습니다. 지난 20년 동안 파이프라인 로봇 공학에 대한 우리의 전문성이 확장되어 이제는 더 많은 자동화 및 기계 학습 요소를 통합할 수 있습니다.
이러한 이니셔티브 중 하나는 DNIM(Distribution Network Information Mapping)이라고 합니다. 이 프로젝트는 영국 가스 네트워크인 SGN과 협력하여 파이프라인 네트워크에 기계 학습을 적용하여 파이프라인과 파이프 내 기능을 효율적으로 식별하고 매핑할 수 있도록 합니다. 이 데이터는 궁극적으로 이러한 매우 복잡한 파이프라인 환경에서 장애물 회피 및 경로 계획을 위한 경로를 여는 데 도움이 될 것입니다.
현재 제공되는 로봇 솔루션은 무엇입니까?
ULC는 유틸리티 및 에너지 회사와 협력하여 파이프라인, LNG 플랜트, 변전소 및 기타 복잡한 환경과 같은 지상 및 지하 인프라를 검사, 수리 및 유지 관리하기 위한 로봇 솔루션을 개발 및 배포합니다.
라는 로봇을 개발했습니다. 시스봇 라이브 주철 가스 본관에 들어가 파이프를 통해 이동하여 조인트를 내부적으로 밀봉하여 가스 네트워크가 누출을 방지하고 파이프 수명을 최대 50년까지 연장할 수 있도록 합니다. 이 모든 것이 고객에게 가스를 차단하지 않고도 가능합니다. ULC는 또한 로봇 제품군을 개발했습니다. 카메라 및 크롤러 시스템 라이브 가스 본관을 검사하여 유틸리티가 위험을 줄이고 효율성을 개선하며 운영 문제를 해결하도록 돕습니다.
현재 지하 로봇 시스템 외에도 다른 산업을 위한 로봇 솔루션을 연구하는 사내 R&D 팀도 있습니다. 한 가지 예는 로봇 도로 공사 및 굴착 시스템(RRES), 영국 회사인 SGN과 공동으로 개발 중인 프로젝트입니다. RRES는 기존의 굴착 방법을 지하 감지, 도로 코어링 및 절단, 자동 소프트 터치 굴착, 파이프 설치 및 도로 복원 기능을 포함하는 기능으로 대체하기 위해 만들어진 완전 전기 로봇 시스템입니다. 추가 개발을 통해 향후 RRES가 수행할 수 있는 작업 범위를 확장할 수 있기를 바랍니다.
이것은 우리가 현재 제공하는 로봇 솔루션의 샘플일 뿐이지만 우리 기술에 대한 추가 정보는 우리 웹사이트에서 찾을 수 있습니다. 우리는 다른 많은 프로젝트를 개발 중이며 항상 자동화 솔루션을 찾고 있는 유틸리티, 에너지 및 산업 산업의 회사와 파트너 관계를 맺고 있습니다.
어떤 유형의 데이터가 수집됩니까?
ULC Technologies는 업계의 다양한 기술적 문제를 해결하기 위해 맞춤형 로봇 솔루션을 구축합니다. 애플리케이션 유형에 따라 모든 로봇은 환경에서 다양한 유형의 데이터를 캡처합니다. 다음은 검사 작업 전반에 걸쳐 수집하는 인기 있는 데이터 유형 목록입니다.
- 고해상도 컬러 이미지. 예를 들어, 우리의 무인항공기(UAV)) 검사 작업 중 40MPixel 이미지 캡처
- 3D 포인트 클라우드. 이에 대한 예는 일부 파이프 내 크롤러 로봇이 수집하는 3D 포인트 클라우드입니다.
- 일부 지상 로봇은 내비게이션을 위해 LIDAR 데이터를 처리합니다.
- 적외선 이미지. 당사의 UAV 및 자산 식별 및 매핑(AIM) 솔루션은 자산 상태 평가를 위한 검사 작업 중에 적외선 이미지를 캡처할 수 있습니다.
- 고주파 레이더. RRES(Robotic Roadworks and Excavation System)는 지하에 묻힌 자산의 위치를 파악하기 위해 지상 관통 레이더를 사용합니다.
하나의 산업에 대한 특정 적용으로 인해 이 목록에 포함되지 않은 다양한 목적을 위해 일부 플랫폼에서 수집하는 다양한 유형의 데이터가 있습니다.
이 이미지에 위치 정보 태그가 지정되는 방법에 대해 논의할 수 있습니까?
모든 로봇 플랫폼에서 캡처된 이미지의 지오태깅은 해당 시스템 및 해당 환경에서 사용 가능한 정보에 고유하게 발생합니다.
우리의 AIM 시스템은 내장 GPS를 사용하여 조사 차량의 경로를 표시합니다. 다른 온보드 센서, 컴퓨터 비전 알고리즘 및 표적 추적을 사용하는 당사의 독점 소프트웨어는 식별된 모든 자산의 위치를 측정하고 그에 따라 이미지에 위치정보 태그를 지정합니다. 지하 파이프 내부와 같이 GPS가 없는 환경에서 당사 로봇은 다른 방법을 사용하여 지상 조사 차량과 통신하여 파이프 내부에서 캡처된 데이터에 위치 정보 태그를 지정합니다.
현재 데이터를 처리하는 데 사용되는 기계 학습 기술에는 어떤 것이 있습니까?
로봇 공학 및 자율 데이터 처리에 사용되는 세 가지 주요 기계 학습 방법이 있으며, 모두 ULC Technologies의 다양한 응용 프로그램에서 활용되고 있습니다.
- 지도 학습(Supervised Learning): 모델을 교육하는 데 실측 정보가 필요합니다. 이러한 모델은 데이터 처리 정확도가 더 높습니다. ULC의 AIM 솔루션은 이 모델을 활용하여 높은 정확도와 반복성으로 지상 전기 인프라 자산을 식별합니다.
- 비지도 학습 - 모델이 데이터의 유사성과 이상치를 식별합니다. 우리는 이 방법을 활용하여 파이프 내 크롤러의 카메라 영상을 처리하고 파이프를 따라 위치를 매핑했습니다.
- 복잡한 역운동학적 계산 없이 복잡한 장치를 훈련시키는 보상 기반 시스템인 강화 학습. 우리는 RRES 플랫폼에서 로봇 팔을 작동하여 다양한 굴착 작업을 수행하기 위해 이 방법을 활용하고 있습니다.
ULC Technologies에 대해 공유하고 싶은 다른 사항이 있습니까?
우리는 항상 산업, 에너지 및 건설 산업의 리더와 협력하여 혁신적인 솔루션 개발을 식별하고 협력하기를 기대합니다. 작업 및 현장 테스트를 통해 AI 및 기계 학습 기능을 지속적으로 향상시키고 향후 고객의 새로운 과제를 해결하기를 기대합니다.
훌륭한 인터뷰 감사합니다. 자세한 내용을 알고 싶은 독자는 방문하세요. 유엘씨테크놀로지스.
