인터뷰
Ali Asmari, PhD, ULC Technologies의 AI 및 머신러닝 책임자 – 인터뷰 시리즈
Ali Asmari, PhD는 ULC Technologies의 AI 및 머신러닝 책임자입니다. ULC Technologies는 로봇공학 및 에너지, 공공事業, 산업 시장을 위한 기술 개발의 선구자로 여겨지고 있습니다. 2001년 설립 이후 ULC의 초점은 공공事業 운영의 향상과 인프라 개선의 지원에 항상 맞춰져 왔습니다.
로봇공학과 AI에 처음 관심을 가지게 된 것은 무엇인가?
고등학교 때 수학과 물리학을 매우 잘했기 때문에 대학에서 기계공학을 공부하게 되었습니다. 대학에서 가장 좋아하는 주제는 기계 동역학과 비선형 제어였습니다. 이러한 주제는 로봇 시스템을 제어하기 위해 필요한 모든 도구를 제공합니다. 이러한 주제로 인해 로봇에 대한 상상을 현실로 만들 수 있습니다. 저는 대학에서 로봇을 직접 만들었을 뿐만 아니라 전 세계의 국제 로봇 대회에도 참가했습니다. 또한 로봇공학 분야를 더 깊이 공부하기 위해 대학원에 진학하여 로봇공학자가 되었습니다.
머신러닝은 2010년 초에 적용이 매우 phổ biến해졌습니다. 머신러닝과 신경망에 대한 기본 과정을 몇 개 수강한 후, 저는 즉시 연구와 작업에서 이러한 방법을 적용하기 시작했습니다. 저는 머신러닝 개념이 인간의 뇌가 학습하고 작동하는 방식과 얼마나 유사한지에 개인적으로 놀라고 있습니다. 로봇공학에서 머신러닝의 사용은 상대적으로 새로운 기술이며 아직 갈 길이 멀기 때문에 이 운동의 일부가 된 것을 매우幸運하게 생각합니다.
ULC Technologies에는 어려운 지형에서 지하로 내려가는 로봇이 많습니다. 이러한 로봇을 위한 완전 자율 주행 장애물 회피 및 경로 계획의 어려움은 무엇인가?
저희의 많은 작업은 도시 지역과 그 지역 내의 파이프라인의 내부 검사 및 보수에 중점을 두었습니다. 이러한 파이프라인 내에서 파편이 일반적으로 발견되며 완전 자율 솔루션을 어렵게 만듭니다. 해결책으로, ULC는 가스 본管을 통해 수동으로 구동되는 상업용 파이프라인 로봇 시스템을 개발했습니다.過去 20년 동안 파이프라인 로봇공학에 대한 저희의 전문 지식이 확대되었습니다. 이는 현재 자동화 및 머신러닝의 요소를 더 많이 통합할 수 있게 해줍니다.
이러한 이니셔티브 중 하나는 Distribution Network Information Mapping (DNIM)입니다. 이는 영국 가스 네트워크인 SGN과 협력하여 파이프라인 네트워크에 머신러닝을 적용하여 파이프라인과 파이프 내의 기능을 효율적으로 식별하고 매핑할 수 있도록 하는 것입니다. 이 데이터는 궁극적으로 이러한 매우 복잡한 파이프라인 환경에서 장애물 회피 및 경로 계획을 위한 경로를 열어줄 것입니다.
현재 제공되는 로봇 솔루션은 무엇인가?
ULC는 공공事業 및 에너지 회사와 협력하여 파이프라인, LNG 공장, 변전소 및 기타 복잡한 환경과 같은 지상 및 지하 인프라를 검사, 수리 및 유지 보수하기 위한 로봇 솔루션을 개발 및 배포합니다.
저희는 CISBOT이라는 로봇을 개발했습니다. 이는 생존 가스 본管에 들어가서 파이프를 통해 이동하여 내부적으로 조인트를 밀봉하여 가스 네트워크에서 누수를 방지하고 파이프의 수명을 최대 50년까지 연장할 수 있습니다. 고객에게 가스를 끊지 않고도 모든 작업을 수행할 수 있습니다. ULC는 또한 라이브 가스 본管을 검사하기 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 저희는 다른 산업을 위한 로봇 솔루션을 개발 중인 내부 연구 개발 팀이 있습니다. 한 예는 로봇 도로 공사 및굴착 시스템(RRES)입니다. 이는 영국 회사인 SGN과 협력하여 개발 중인 프로젝트입니다. RRES는 전기 로봇 시스템으로 기존의 굴착 방법을 대체할 수 있으며 지하 감지, 도로의 코어링 및 절단, 자동 소프트 터치 굴착, 파이프 설치 및 도로의 복구와 같은 기능을 수행할 수 있습니다. 추가 개발을 통해 저희는 미래에 RRES가 수행할 수 있는 작업 범위를 확대하기를 바랍니다.
이것은 현재 제공되는 로봇 솔루션의 일부입니다. 하지만 저희 웹사이트에서 추가 정보를 찾을 수 있습니다. 저희는 많은 다른 프로젝트를 개발 중이며 공공事業, 에너지 및 산업 분야에서 자동화 솔루션을 찾는 회사와 협력하기를 항상 찾고 있습니다.
어떤 종류의 데이터를 수집합니까?
ULC Technologies는 다양한 기술적인課題를 해결하기 위한 맞춤형 로봇 솔루션을 구축합니다. 응용 프로그램의 유형에 따라 각 로봇은 환경에서 다른 유형의 데이터를 캡처합니다. 다음은 저희가 검사 작업 중에 수집하는 데이터 유형의 일부입니다:
- 고해상도 컬러 이미지. 예를 들어, 저희의 무인 항공기(UAV)는 검사 작업 중에 40메가픽셀 이미지를 캡처합니다.
- 3D 포인트 클라우드. 예를 들어, 일부 파이프 내 크롤러 로봇이 수집하는 3D 포인트 클라우드입니다.
- 일부 지상 로봇은 탐색을 위해 LIDAR 데이터를 처리합니다.
- 저희의 UAV와 자산 식별 및 매핑(AIM) 솔루션은 검사 작업 중에 적외선 이미지를 캡처할 수 있습니다.
- 고주파 레이더. RRES(로봇 도로 공사 및 굴착 시스템)는 매립된 자산의 위치를 매핑하기 위해 지面 관통 레이더를 사용합니다.
저희 플랫폼이 다른 목적으로 수집하는 다른 유형의 데이터는 이 목록에 포함되지 않았습니다.
이미지를 지오태그하는 방법에 대해 논의해 주시겠습니까?
모든 로봇 플랫폼에서 캡처된 이미지의 지오태그는 시스템과 환경의 사용 가능한 정보에 따라 고유하게 수행됩니다.
저희의 AIM 시스템은 매핑을 위해 탑재된 GPS를 사용합니다. 탑재된 다른 센서, 컴퓨터 비전 알고리즘 및 타겟 추적을 사용하여 저희의 专有 소프트웨어는 모든 식별된 자산의 위치를 측정하고 이미지에 지오태그를 추가합니다. 지하 파이프와 같은 GPS가 없는 환경에서 저희의 로봇은 파이프 내에서 캡처된 데이터를 지오태그하기 위해 지상 검사 차량과 통신하는 다른 방법을 사용합니다.
현재 데이터를 처리하기 위해 사용되는 머신러닝 기술은 무엇인가?
로봇공학 및 자율 데이터 처리에서 사용되는 세 가지 주요 머신러닝 방법이 있습니다. 모두 ULC Technologies에서 다양한 응용 프로그램에서 사용되고 있습니다.
- 지도 학습, जह서 모델을 훈련하기 위해 근거 진실이 필요합니다. 이러한 모델은 데이터 처리에서 더 높은 정확도를 가지고 있습니다. ULC의 AIM 솔루션은 높은 정확도와 반복 가능성으로 지상 전기 인프라 자산을 식별하기 위해 이 모델을 사용합니다.
- 비지도 학습, 모델이 데이터에서 유사성과 이상을 식별합니다. 저희는 이 방법을 사용하여 파이프 내 크롤러의 카메라 영상을 처리하고 파이프를 따라 위치를 매핑했습니다.
- 강화 학습, 이는 복잡한 장치를 훈련하기 위해 보상 기반 시스템입니다. 저희는 이 방법을 사용하여 RRES 플랫폼의 로봇 암을 작동시키고 다양한 굴착 작업을 수행합니다.
ULC Technologies에 대해 더 공유하고 싶은 내용이 있습니까?
저희는 산업, 에너지 및 건설 산업의 리더와 협력하여 혁신적인 솔루션의 개발을 식별하고 협력하기 위해 항상 찾고 있습니다. 저희의 작업과 현장 테스트를 통해 저희는 계속해서 AI 및 머신러닝 기능을 향상시키고 고객에게 새로운課題를 해결하기 위해 앞으로 나아갈 것입니다.
훌륭한 인터뷰에 감사드립니다. 더 많은 정보를 배우고 싶은 독자는 ULC Technologies를 방문하십시오.
