Ali Asmari, PhD, leder for AI og maskinlæring hos ULC Technologies – Intervju-serie

Ali Asmari, PhD er leder for AI og maskinlæring hos ULC Technologies. ULC Technologies regnes som en pioner innen robotikk-teknologi og utvikling for energi-, utility- og industri-markeder. Siden starten i 2001 har fokuset til ULC alltid vært å forbedre utility-operasjoner og støtte infrastruktur-forbedring.

Hva var det som først tiltalte deg til robotikk og AI?

Jeg var svært god i matematikk og fysikk på videregående skole, noe som ledet meg til å studere maskinteknikk på universitetet. Mine favoritt-emner på universitetet var Maskin-dynamikk og Ikke-lineær Kontroll, begge nødvendige for kontroll av robot-systemer. Disse emnene gir deg alle nødvendige verktøy for å omskape din robot-forestilling til virkelighet. Jeg bygde ikke bare mine egne roboter på universitetet, men deltok også i internasjonale robot-konkurranser over hele verden. Jeg bestemte meg også for å videreutdanne meg i feltet og begynte på master-studier for å bli en robot-ekspert.

Maskinlæring var et konsept som ble svært populært i anvendelse tidlig i 2010. Etter å ha tatt noen grunnkurs i Maskinlæring og Nevralt Netverk, begynte jeg umiddelbart å anvende metodene i min forskning og arbeid. Jeg er personlig imponert over hvor likt maskinlæring-konsepter er til måten menneskehjernen lærer og fungerer på. Anvendelse av maskinlæring i robotikk er relativt nytt og har langt igjen å gå, og jeg føler meg svært heldig å være en del av denne bevegelsen.

ULC Technologies har mange roboter som er designet for å gå under jorden i vanskelige terreng. Hva er noen av utfordringene bak å bygge fullt autonome hindrings-unngåelse og sti-planlegging for disse typene roboter?

Mye av vårt arbeid har vært fokusert på inspeksjon og intern rehabilitering av eldre rørledninger i urbane områder, og innenfor disse rørledningene er avfall vanligvis funnet, noe som gjør fullt autonome løsninger utfordrende. Som en løsning har ULC utviklet kommersielle rør-robot-systemer som er manuelt drevet gjennom gass-rør. Over de siste 20 årene har vår ekspertise innen rør-robotikk utvidet seg, noe som nå tillater oss å integrere flere elementer av automatisering og maskinlæring.

En slik initiativ er kalt Distribution Network Information Mapping (DNIM), som er et samarbeids-prosjekt med UK-gass-nettverk, SGN, for å anvende maskinlæring på rør-nettverk så vi kan effektivt identifisere og kartlegge rørledningene og funksjonene innenfor røret. Disse dataene vil til slutt hjelpe å åpne veier for hindrings-unngåelse og sti-planlegging i disse svært komplekse rør-miljøene.

Hva er noen av de nåværende robot-løsningene som tilbys? 

ULC samarbeider med utility- og energi-selskaper for å utvikle og distribuere robot-løsninger for inspeksjon, reparasjon og vedlikehold av over- og underjordisk infrastruktur, som rørledninger, LNG-anlegg, transformator-stasjoner og andre komplekse miljøer.

Vi har utviklet en robot kalt CISBOT som går inn i live cast-iron gass-rør og reiser gjennom røret for å intern-seale jointene, noe som hjelper gass-nettverk å forhindre lekkasjer og forlenger levetiden til røret med opptil 50 år, uten å skru av gass til kundene. ULC har også utviklet en samling av robot- kamera- og crawler-systemer for inspeksjon av live gass-rør, som hjelper utility-selskaper å redusere risiko, forbedre effektivitet og løse operative utfordringer.

Utenfor våre nåværende underjordiske robot-systemer har vi også et internt FoU-team som arbeider med robot-løsninger for andre industrier. Et eksempel er Robotic Roadworks & Excavation System (RRES), et prosjekt vi utvikler i samarbeid med UK-selskapet, SGN. RRES er et fullt elektrisk robot-system designet for å erstatte konvensjonelle metoder for utgraving med kapasiteter som inkluderer underjordisk sanering, boring og skjæring av veier, automatisert myk utgraving, rør-installasjon og mulighet til å gjenopprette veien. Gjennom videre utvikling håper vi å utvide rekken av operasjoner som RRES kan utføre i fremtiden.

Dette er bare et utvalg av de robot-løsningene vi nå tilbyr, men mer informasjon om våre teknologier kan finnes på vår nettside. Vi har mange andre prosjekter under utvikling og søker alltid etter å samarbeide med selskaper i utility-, energi- og industri-industriene som søker etter automatiserte løsninger.

Hva type data samles inn?

ULC Technologies bygger tilpassede robot-løsninger for å løse ulike tekniske utfordringer i industrien. Basert på type anvendelse, samler hver robot inn ulike typer data fra sin omgivelse. Følgende er en liste over noen av de mest populære typer data som vi samler inn under våre inspeksjons-operasjoner:

1. Høyoppløselige fargebilder. For eksempel samler våre UAV inn 40MPixel-bilder under inspeksjons-arbeid
2. 3D-punktskyer. Et eksempel på dette er 3D-punktskyene som noen av våre in-pipe-crawler-roboter samler inn.
3. Noen av våre overjordiske roboter prosesserer LIDAR-data for navigasjon
4. Infrarøde bilder. Våre UAV og Asset Identification and Mapping (AIM)-løsning kan samle inn infrarøde bilder under inspeksjons-arbeid for tilstandsvurdering av aktiver.
5. Høyfrekvens-radar. RRES (Robotic Roadworks and Excavation System) bruker Ground Penetrating Radar for å kartlegge lokasjonen av begravde aktiver under jorden.

Det finnes mange flere ulike typer data som noen av våre plattformer samler inn for ulike formål som ikke er inkludert i denne listen på grunn av deres spesifikke anvendelse i en industri.

Kunne du diskutere hvordan disse bildene blir geotaggjet?

På hver robot-plattform skjer geotagging av de inn-samlede bildene på en måte som er unik for det systemet og den tilgjengelige informasjonen i dens omgivelse.

Vår AIM-system bruker en innbygd GPS for å kartlegge banen til vårt survey-kjøretøy. Ved hjelp av andre innbygde sensorer, datavisualiserings-algoritmer og mål-sporing, måler vår proprietære programvare lokasjonen til hver identifisert aktiv og geotagger deres bilder deretter. I GPS-berøvede miljøer, som underjordiske rør, bruker våre roboter andre metoder for å kommunisere med overjordiske survey-kjøretøy for å geotagge de inn-samlede dataene fra innenfor røret.

Hva er noen av de maskinlærings-teknologiene som for tiden brukes for å prosessere dataene?

Det finnes tre hoved-metoder for maskinlæring som brukes i robotikk og autonom data-prosessering, alle som brukes i ulike anvendelser hos ULC Technologies.

1. Overvåket læring, hvor bakgrunns-sannhet er nødvendig for å trene modellen. Disse modellene har høyere nøyaktighet i data-prosessering. ULCs AIM-løsning bruker denne modellen for å identifisere overjordiske elektriske infrastruktur-aktiver med høy nøyaktighet og gjentakelse.
2. Uovervåket læring, hvor modellen identifiserer likheter og anomalier i dataene. Vi har brukt denne metoden for å prosessere kamera-filmer fra våre in-pipe-crawler-roboter og kartlegge deres lokasjon langs røret.
3. Forsterket læring, som er et belønning-basert system for å trene kompliserte enheter uten kompliserte revers-kinematisk-beregninger. Vi bruker denne metoden for å operere den robot-armen på RRES-plattformen for å utføre ulike utgravings-operasjoner.

Er det noe annet du ville like å dele om ULC Technologies?

Vi søker alltid etter å samarbeide med ledere i industri-, energi- og konstruksjons-industriene for å identifisere og samarbeide om utviklingen av innovative løsninger. Gjennom vårt arbeid og felt-testing, fortsetter vi å forbedre våre AI- og maskinlærings-kapasiteter og ser frem til å løse nye utfordringer for våre kunder i fremtiden.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke ULC Technologies.