Али Асмари, PhD, руководитель отдела ИИ и машинного обучения в ULC Technologies – Интервью

Али Асмари, PhD является руководителем отдела ИИ и машинного обучения в ULC Technologies. ULC Technologies считается пионером в области робототехники и технологий для энергетики, коммунального хозяйства и промышленности. С момента основания в 2001 году основной задачей ULC всегда было улучшение коммунальных услуг и поддержка модернизации инфраструктуры.

Что первоначально привлекло вас к робототехнике и ИИ?

Я хорошо учился на математике и физике в школе, что привело меня к изучению механической инженерии в университете. Мои любимые темы в университете были Динамика машин и Нелинейное управление, которые необходимы для управления роботами. Эти темы дают вам все необходимые инструменты, чтобы воплотить ваше робототехническое воображение в реальность. Я не только построил свои собственные роботы в университете, но и участвовал в международных робототехнических соревнованиях по всему миру. Я также решил продолжить изучение этой области и поступил в аспирантуру, чтобы стать робототехником.

Машинное обучение было концепцией, которая стала очень популярной в начале 2010 года. После прохождения нескольких базовых курсов по машинному обучению и нейронным сетям, я сразу же начал применять эти методы в своей работе и исследованиях. Я лично поражен тем, насколько похожи концепции машинного обучения на то, как работает человеческий мозг. Использование машинного обучения в робототехнике относительно новое и имеет большой потенциал для развития, и я чувствую себя счастливым, что являюсь частью этого движения.

ULC Technologies имеет множество роботов, предназначенных для работы под землей в труднопроходимой местности. Каковы некоторые из проблем, связанных с созданием полностью автономных систем избегания препятствий и планирования маршрута для этих роботов?

Много нашей работы было сосредоточено на осмотре и внутреннем ремонте старых трубопроводов в городских районах, и внутри этих трубопроводов часто встречается мусор, что делает полностью автономные решения сложными. В качестве решения ULC разработала коммерческие робототехнические системы для трубопроводов, которые управляются вручную через газовые магистрали. За последние 20 лет наше опыта в области робототехники трубопроводов расширился, и мы теперь можем интегрировать больше элементов автоматизации и машинного обучения.

Одной из таких инициатив является проект Distribution Network Information Mapping (DNIM), который является совместным проектом с британской газовой сетью SGN по применению машинного обучения к трубопроводным сетям, чтобы мы могли эффективно выявлять и картографировать трубопроводы и объекты внутри труб. Эти данные в конечном итоге помогут нам открыть пути для избегания препятствий и планирования маршрута в этих сложных трубопроводных средах.

Какие из текущих робототехнических решений предлагаются?

ULC работает с коммунальными и энергетическими компаниями для разработки и развертывания робототехнических решений для осмотра, ремонта и обслуживания надземной и подземной инфраструктуры, такой как трубопроводы, заводы по производству сжиженного газа, подстанции и другие сложные объекты.

Мы разработали робота под названием CISBOT, который входит в живые чугунные газовые магистрали и проходит через трубу, чтобы внутренне герметизировать соединения, что помогает газовым сетям предотвратить утечки и продлить срок службы трубы до 50 лет, не отключая газ для потребителей. ULC также разработала набор робототехнических камер и систем для осмотра живых газовых магистралей, что помогает коммунальным предприятиям снижать риски, улучшать эффективность и решать операционные проблемы.

Помимо наших текущих подземных робототехнических систем, у нас также есть внутренняя команда исследований и разработок, которая работает над робототехническими решениями для других отраслей. Одним из примеров является Robotic Roadworks & Excavation System (RRES), проект, который мы разрабатываем в сотрудничестве с британской компанией SGN. RRES – это полностью электрическая робототехническая система, предназначенная для замены традиционных методов экскавации, с возможностями, включая подземное обнаружение, бурение и резку дорог, автоматизированную мягкую экскавацию, установку труб и возможность восстановления дороги. Мы надеемся расширить диапазон операций, которые RRES может выполнять в будущем.

Это лишь небольшой пример робототехнических решений, которые мы предлагаем, но дополнительную информацию о наших технологиях можно найти на нашем сайте. У нас есть многие другие проекты в разработке, и мы всегда ищем партнеров среди лидеров коммунального, энергетического и промышленного секторов, которые хотят выявить и сотрудничать в разработке инновационных решений.

Какой тип данных собирается?

ULC Technologies создает индивидуальные робототехнические решения для решения различных технических задач в отрасли. В зависимости от типа применения каждый робот собирает разные типы данных из своей среды. Ниже приведен список некоторых популярных типов данных, которые мы собираем во время наших операций по осмотру:

1. Высококачественные цветные изображения. Например, наши беспилотные летательные аппараты (БЛА) захватывают 40-мегапиксельные изображения во время осмотра.
2. 3D-пunkты. Например, 3D-пункты, которые некоторые наши роботы-ползатели собирают.
3. Некоторые наши надземные роботы обрабатывают данные LIDAR для навигации.
4. Инфракрасные изображения. Наши БЛА и решение Asset Identification and Mapping (AIM) могут захватывать инфракрасные изображения во время осмотра для оценки состояния активов.
5. Высокочастотный радар. Система RRES (Robotic Roadworks and Excavation System) использует радар, проникающий в землю, для картографирования местоположения埋енных активов под землей.

Есть много других типов данных, которые некоторые наши платформы собирают для различных целей, которые не включены в этот список из-за их конкретного применения в одной отрасли.

Можете ли вы рассказать о том, как эти изображения геотегируются?

На каждой робототехнической платформе геотегирование захваченных изображений происходит уникально для каждой системы и доступной информации в ее окружении.

Наша система AIM использует бортовый GPS для картографирования пути нашего обследовательского транспортного средства. Используя другие бортовые датчики, алгоритмы компьютерного зрения и отслеживания целей, наше программное обеспечение измеряет местоположение каждого выявленного актива и геотегирует их изображения соответственно. В средах, лишенных GPS, таких как внутри подземной трубы, наши роботы используют другие методы для связи с надземными обследовательскими транспортными средствами и геотегирования захваченных данных изнутри трубы.

Какие из машинных обучающих технологий в настоящее время используются для обработки данных?

Существует три основных метода машинного обучения, которые используются в робототехнике и автономной обработке данных, все из которых используются в различных приложениях в ULC Technologies.

1. Надзорное обучение, при котором необходимы эталонные данные для обучения модели. Эти модели имеют более высокую точность в обработке данных. Решение AIM от ULC использует эту модель для выявления надземных электрических инфраструктурных активов с высокой точностью и повторяемостью.
2. Ненадзорное обучение, при котором модель выявляет сходства и аномалии в данных. Мы использовали этот метод для обработки видео с наших роботов-ползателей и картографирования их местоположения вдоль трубы.
3. Усиленное обучение, которое представляет собой систему, основанную на вознаграждении, для обучения сложных устройств без сложных обратных кинематических расчетов. Мы используем этот метод для управления роботизированной рукой на платформе RRES для выполнения различных экскавационных операций.

Есть ли что-то еще, что вы хотели бы поделиться об ULC Technologies?

Мы всегда ищем партнеров среди лидеров промышленного, энергетического и строительного секторов для выявления и сотрудничества в разработке инновационных решений. Через нашу работу и полевые испытания мы продолжаем совершенствовать наши возможности ИИ и машинного обучения и с нетерпением ждем решения новых задач для наших клиентов в будущем.

Спасибо за отличное интервью. Читателям, которые хотят узнать больше, следует посетить ULC Technologies.