Ali Asmari, PhD, chef för AI och maskinlärande på ULC Technologies – Intervjuserie

Ali Asmari, PhD är chef för AI och maskinlärande på ULC Technologies. ULC Technologies anses vara en pionjär inom robotteknik och teknikutveckling för energi-, utility- och industriella marknader. Sedan starten 2001 har ULC:s fokus alltid varit att förbättra drift och underhåll av anläggningar och stödja förbättring av infrastruktur.

Vad var det som initialt drog dig till robotteknik och AI?

Jag var mycket bra på matematik och fysik i gymnasiet, vilket ledde till att jag studerade maskinteknik på universitetet. Mina favoritämnen på universitetet var maskindynamik och icke-linjär styrning, båda nödvändiga för styrning av robotiska system. Dessa ämnen ger dig alla nödvändiga verktyg för att förvandla din robotiska fantasi till verklighet. Jag byggde inte bara mina egna robotar på universitetet, utan deltog också i internationella robotiska tävlingar över hela världen. Jag beslutade mig också för att fortsätta studera området och påbörjade min forskarutbildning för att bli robotikkonstruktör.

Maskinlärande var ett begrepp som blev mycket populärt i tillämpningen i början av 2010. Efter att ha tagit några grundläggande kurser i maskinlärande och neuronnät började jag omedelbart tillämpa metoderna i min forskning och arbete. Jag är personligen förbluffad över hur lika maskinlärande koncept är till hur det mänskliga hjärnan lär sig och fungerar. Användning av maskinlärande i robotteknik är relativt ny och har långt kvar att gå, och jag känner mig mycket lycklig att vara en del av denna rörelse.

ULC Technologies har många robotar som är utformade för att gå under jord i svåra terränger. Vilka är några av utmaningarna bakom att bygga fullt autonoma hinderundvikande och vägplaneringslösningar för dessa typer av robotar?

Mycket av vårt arbete har fokuserat på inspektion och intern reparation av äldre rörledningar i urbana områden, och inom dessa rörledningar finns det ofta skräp som gör fullt autonoma lösningar utmanande. Som en lösning har ULC utvecklat kommersiella rörledningsrobotiska system som styrs manuellt genom gasledningar. Under de senaste 20 åren har vår expertis inom rörledningsrobotik utvidgats, vilket gör att vi nu kan integrera fler automatiserings- och maskinlärandeelement.

En sådan initiativ kallas Distribution Network Information Mapping (DNIM), som är ett samarbetsprojekt med det brittiska gasnätverket SGN för att tillämpa maskinlärande på rörledningsnätverk så att vi kan effektivt identifiera och kartlägga rörledningar och funktioner inom rörledningen. Dessa data kommer slutligen att hjälpa till att öppna vägar för hinderundvikande och vägplanering i dessa mycket komplexa rörledningsmiljöer.

Vilka är några av de nuvarande robotiska lösningarna som erbjuds?

ULC arbetar med utility- och energiföretag för att utveckla och distribuera robotiska lösningar för inspektion, reparation och underhåll av ovan- och underjordiska anläggningar, såsom rörledningar, LNG-anläggningar, transformatorstationer och andra komplexa miljöer.

Vi har utvecklat en robot som kallas CISBOT, som går in i levande gjutjärnsrörledningar och reser genom rörledningen för att internellt försegla fogarna, vilket hjälper gasnätverk att förhindra läckor och förlänga rörledningens livslängd med upp till 50 år, allt utan att stänga av gasen till kunderna. ULC har också utvecklat en svit av robotiska kamera- och krypare-system för inspektion av levande gasledningar, vilket hjälper utility-företag att minska risker, förbättra effektivitet och lösa operativa utmaningar.

Utöver våra nuvarande underjordiska robotiska system har vi också ett in-house FoU-team som arbetar med robotiska lösningar för andra industrier. Ett exempel är Robotic Roadworks & Excavation System (RRES), ett projekt som vi utvecklar i samarbete med det brittiska företaget SGN. RRES är ett all-elektriskt robotiskt system som är utformat för att ersätta konventionella metoder för schaktning med funktioner som underjordisk avkänning, borrning och skärning av vägar, automatiserad mjuk schaktning, rörinstallation och möjlighet att återställa vägen. Genom ytterligare utveckling hoppas vi kunna utöka omfattningen av operationer som RRES kan utföra i framtiden.

Detta är bara ett urval av de robotiska lösningar som vi för närvarande erbjuder, men ytterligare information om våra teknologier kan hittas på vår webbplats. Vi har många andra projekt under utveckling och söker alltid efter att samarbeta med företag inom utility-, energi- och industriella branscher som letar efter automatiserade lösningar.

Vilken typ av data samlas in?

ULC Technologies bygger anpassade robotiska lösningar för att hantera olika tekniska utmaningar inom industrin. Baserat på tillämpningen samlar varje robot in olika typer av data från sin miljö. Följande är en lista över några av de vanligaste typerna av data som vi samlar in under vår inspektionsverksamhet:

1. Högupplösta färgbilder. Till exempel fångar våra obemannade flygfordon (UAV) 40-megapixlarbilder under inspektionsarbetet
2. 3D-punktmoln. Ett exempel på detta är de 3D-punktmoln som vissa av våra in-pipe-krypare samlar in.
3. Några av våra ovanjordiska robotar bearbetar LIDAR-data för navigation
4. Infraröda bilder. Våra UAV och Asset Identification and Mapping (AIM)-lösning kan fånga infraröda bilder under inspektionsarbetet för tillståndsbedömning av tillgångar.
5. Högfrekvensradar. RRES (Robotic Roadworks and Excavation System) använder markpenetrerande radar för att kartlägga läget av begravda tillgångar under marken.

Det finns många fler olika typer av data som vissa av våra plattformar samlar in för olika ändamål som inte ingår i denna lista på grund av deras specifika tillämpning i en industri.

Kan du diskutera hur dessa bilder är geotaggade?

På varje robotisk plattform sker geotaggning av de inspelade bilderna på ett unikt sätt för systemet och den tillgängliga informationen i dess miljö.

Vårt AIM-system använder en inbyggd GPS för att kartlägga banan för vår undersökningsbil. Med hjälp av andra inbyggda sensorer, datorseendealgoritmer och målföljning mäter vår egenutvecklade programvara platsen för varje identifierad tillgång och geotaggar deras bilder enligt. I miljöer där GPS är förhindrad, till exempel inuti en underjordisk rörledning, använder våra robotar andra metoder för att kommunicera med de ovanjordiska undersökningsfordonen för att geotagga den inspelade datan från rörledningen.

Vilka är några av de maskinlärandeteknologier som för närvarande används för att bearbeta data?

Det finns tre huvudsakliga metoder för maskinlärande som används i robotteknik och autonom data bearbetning, alla används i olika tillämpningar på ULC Technologies.

1. Övervakat lärande, där grundtruth behövs för att träna modellen. Dessa modeller har högre noggrannhet i data bearbetning. ULC:s AIM-lösning använder denna modell för att identifiera ovanjordiska elkrafttillgångar med hög noggrannhet och reproducerbarhet.
2. Icke-övervakat lärande, där modellen identifierar likheter och avvikelser i data. Vi har använt denna metod för att bearbeta kamerabilderna från våra in-pipe-krypare och kartlägga deras plats längs rörledningen.
3. Belöningsbaserat lärande, som är ett belöningsbaserat system för att träna komplicerade enheter utan komplicerad omvänd kinematik. Vi använder denna metod för att operera den robotiska armen på RRES-plattformen för att utföra olika schaktningar.

Finns det något annat du vill dela om ULC Technologies?

Vi söker alltid efter att samarbeta med ledare inom industri-, energi- och byggnadssektorerna för att identifiera och samarbeta om utvecklingen av innovativa lösningar. Genom vårt arbete och fälttest fortsätter vi att förbättra våra AI- och maskinlärandeförmågor och ser fram emot att lösa nya utmaningar för våra kunder i framtiden.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka ULC Technologies.