Алі Асмарі, PhD, керівник відділу штучного інтелекту та машинного навчання в ULC Technologies – Серія інтерв’ю

Алі Асмарі, PhD є керівником відділу штучного інтелекту та машинного навчання в ULC Technologies. ULC Technologies вважається піонером у галузі робототехніки та технологічного розвитку для енергетики, комунального господарства та промисловості. З моменту заснування у 2001 році основним напрямком діяльності ULC завжди було поліпшення комунальних послуг та підтримка вдосконалення інфраструктури.

Що спочатку привернуло вашу увагу до робототехніки та штучного інтелекту?

Я був досить хорошим у математиці та фізиці в школі, що призвело до того, що я вивчав механічну інженерію в університеті. Мої улюблені теми в університеті були Динаміка машин та Нелінійне керування, які необхідні для керування роботизованими системами. Ці теми дають вам всі необхідні інструменти для реалізації ваших роботизованих ідей. Я не тільки побудував自己的 роботів в університеті, але також брав участь у міжнародних роботизованих змаганнях по всьому світу. Я також вирішив продовжити вивчати цю галузь і вступив до аспірантури, щоб стати робототехніком.

Машинне навчання було концепцією, яка стала дуже популярною у застосуванні на початку 2010 року. Після проходження декількох базових курсів з машинного навчання та нейронних мереж, я негайно почав застосовувати ці методи у своїй роботі та дослідженнях. Я особисто здивований тим, наскільки подібні концепції машинного навчання до того, як людський мозок вчиться та функціонує. Використання машинного навчання у робототехніці відносно нове та має довгий шлях розвитку, і я відчуваю себе дуже щасливим, що є частиною цього руху.

ULC Technologies має багато роботів, які призначені для роботи під землею у складних умовах. Які є деякі з викликів створення повністю автономного уникання перешкод та планування маршруту для цих типів роботів?

Багато наших робіт було зосереджено на інспекції та внутрішньому ремонті старих трубопроводів у міських районах, і всередині цих трубопроводів часто зустрічається сміття, що робить повністю автономні рішення складними. Як рішення, ULC розробила комерційні роботизовані системи для трубопроводів, які керуються вручну через газові магістралі. За останні 20 років наша експертиза у галузі робототехніки трубопроводів розширилася, що дозволяє нам зараз інтегрувати більше елементів автоматизації та машинного навчання.

Одним із таких проєктів є Distribution Network Information Mapping (DNIM), який є спільним проєктом з британською газовою мережею SGN для застосування машинного навчання до трубопроводів, щоб ми могли ефективно ідентифікувати та мапувати трубопроводи та їхні особливості. Ці дані в кінцевому підсумку допоможуть відкрити шляхи для уникання перешкод та планування маршруту в цих складних середовищах трубопроводів.

Які є деякі з поточних роботизованих рішень, які пропонуються?

ULC працює з комунальними та енергетичними компаніями для розробки та впровадження роботизованих рішень для інспекції, ремонту та обслуговування надземної та підземної інфраструктури, такої як трубопроводи, заводи з виробництва зрідженого природного газу, підстанції та інші складні середовища.

Ми розробили робота під назвою CISBOT, який входить у живі чавунні газові магістралі та рухається через трубу для внутрішнього герметизації швів, що допомагає газовим мережам запобігти витокам та продовжити термін служби труби до 50 років, все це без відключення газу для клієнтів. ULC також розробила набір роботизованих камер та систем для інспекції живих газових магістралей, що допомагає комунальним підприємствам зменшити ризики, підвищити ефективність та вирішити оперативні проблеми.

Поза нашими поточними підземними роботизованими системами у нас також є внутрішня команда досліджень та розробок, яка працює над роботизованими рішеннями для інших галузей. Одним із прикладів є Роботизована система дорожніх робіт та екскавації (RRES), проєкт, над яким ми працюємо у співробітництві з британською компанією SGN. RRES є повністю електричною роботизованою системою, призначеною для заміни традиційних методів екскавації, з можливостями, такими як підземне чуття, буріння та різання доріг, автоматична екскавація та встановлення труб, а також відновлення доріг. За допомогою подальшого розвитку ми сподіваємося розширити діапазон операцій, які RRES зможе виконувати у майбутньому.

Це лише кілька прикладів роботизованих рішень, які ми зараз пропонуємо, але додаткова інформація про наші технології можна знайти на нашому сайті. У нас є багато інших проєктів у розробці, і ми завжди шукаємо партнерів серед лідерів комунальної, енергетичної та промислової галузей, які шукають автоматизовані рішення.

Який тип даних збирається?

ULC Technologies будує спеціалізовані роботизовані рішення для вирішення різних технічних проблем у галузі. На основі типу застосування кожен робот збирає різний тип даних з навколишнього середовища. Нижче наведений список деяких популярних типів даних, які ми збираємо під час операцій з інспекції:

1. Високоякісні кольорові зображення. Наприклад, наші безпілотні авіаційні засоби (UAV) захоплюють зображення з роздільністю 40 Мпікселів під час робіт з інспекції
2. 3D-пunktові хмари. Прикладом цього є 3D-пунктова хмара, яку збирають деякі з наших роботів-черві для інспекції трубопроводів.
3. Деякі з наших наземних роботів обробляють дані ЛІДАР для навігації
4. Інфрачервоні зображення. Наші UAV та рішення для ідентифікації та мапування активів (AIM) можуть захоплювати інфрачервоні зображення під час робіт з інспекції для оцінки стану активів.
5. Високочастотний радар. Система RRES (Роботизована система дорожніх робіт та екскавації) використовує ґрунтовий проникаючий радар для мапування розташування похованих активів під землею.

Є багато інших різних типів даних, які деякі з наших платформ збирають для різних цілей, які не включені до цього списку через їхню специфічну aplikatsiyu до однієї галузі.

Чи можете ви розповісти про те, як ці зображення геотегуються?

На кожній роботизованій платформі геотегування захоплених зображень відбувається унікально для цієї системи та наявної інформації в її середовищі.

Наша система AIM використовує бортовий GPS для мапування шляху нашого засобу обстеження. Використовуючи інші бортові сенсори, алгоритми комп’ютерного зору та відстеження цілей, наш пропріетарний софт вимірює розташування кожного ідентифікованого активу та геотегує їхні зображення відповідно. У середовищах, позбавлених GPS, таких як всередині підземної труби, наші роботи використовують інші методи для зв’язку з наземними засобами обстеження, щоб геотегувати захоплені дані зсередини труби.

Які є деякі з технологій машинного навчання, які зараз використовуються для обробки даних?

Є три основних методи машинного навчання, які використовуються у робототехніці та автономній обробці даних, всі з яких використовуються в різних застосуваннях у ULC Technologies.

1. Надзорче навчання, де потрібна основна правда для навчання моделі. Ці моделі мають вищу точність у обробці даних. Рішення AIM компанії ULC використовує цю модель для ідентифікації наземних електричних інфраструктурних активів з високою точністю та повторюваністю.
2. Ненадзорче навчання, при якому модель визначає подібності та аномалії у даних. Ми використали цей метод для обробки кадрів камери з наших роботів-черві та мапування їхнього розташування уздовж труби.
3. Залізне навчання, яке є системою винагород для навчання складних пристроїв без складних обчислень зворотної кінематики. Ми використовуємо цей метод для керування роботизованою рукою на платформі RRES для виконання різних робіт з екскавації.

Чи є щось інше, що ви хотіли б поділитися про ULC Technologies?

Ми завжди шукаємо партнерів серед лідерів промислової, енергетичної та будівельної галузей для ідентифікації та співпраці над розробкою інноваційних рішень. За допомогою наших робіт та польових випробувань ми продовжимо вдосконалювати наші можливості штучного інтелекту та машинного навчання та сподіваємося вирішити нові виклики для наших клієнтів у майбутньому.

Дякуємо за чудовий інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати ULC Technologies.