阿里·阿斯马里博士，ULC Technologies的人工智能和机器学习负责人 – 采访系列

阿里·阿斯马里博士是ULC Technologies的人工智能和机器学习负责人。ULC Technologies被认为是机器人工程和技术开发的先驱，尤其是在能源、公用事业和工业市场。自2001年成立以来，ULC Technologies一直专注于提高公用事业运营效率和支持基础设施改进。

是什么最初吸引你进入机器人和人工智能领域？

我在高中时数学和物理成绩很好，这让我选择了大学的机械工程专业。我的大学最喜欢的课程是机械动力学和非线性控制，这两门课程对于控制机器人系统都是必要的。这些课程为你提供了将机器人想象变为现实的所有必要工具。我不仅在大学里建造了自己的机器人，还参加了世界各地的国际机器人比赛。我还决定进一步研究这个领域，进入研究生院成为一名机器人专家。

机器学习是一个在2010年初开始流行的概念。经过几门基本的机器学习和神经网络课程后，我立即开始在研究和工作中应用这些方法。我个人对机器学习概念与人类大脑学习和功能的相似性感到惊讶。机器学习在机器人领域的应用相对较新，仍有很长的路要走，我感到很幸运能够成为这场运动的一部分。

ULC Technologies有许多机器人设计用于在地下难以行进的地区。为这些类型的机器人构建完全自治的障碍避免和路径规划有什么挑战？

我们的工作主要集中在城市地区老旧管道的检查和内部修复上。在这些管道中，常常会发现碎片，这使得完全自治的解决方案变得具有挑战性。作为解决方案，ULC开发了商业管道机器人系统，这些系统可以手动驱动通过煤气管道。在过去的20年中，我们在管道机器人方面的专业知识得到了扩展，这使得我们现在能够将更多的自动化和机器学习元素集成到我们的系统中。

其中一个计划被称为配电网络信息映射（DNIM），这是一个与英国煤气网络公司SGN合作的项目，旨在将机器学习应用于管道网络，以便我们能够高效地识别和绘制管道及其特征。这些数据最终将帮助我们在这些复杂的管道环境中实现障碍避免和路径规划。

目前提供哪些机器人解决方案？

ULC Technologies与公用事业和能源公司合作，开发和部署机器人解决方案，以检查、维修和维护地上和地下基础设施，例如管道、液化天然气工厂、变电站和其他复杂环境。

我们开发了一款名为CISBOT的机器人，它可以进入活的铸铁煤气管道，并沿着管道行进以内部密封接头，这有助于煤气网络防止任何泄漏，并将管道的寿命延长至多50年，而无需关闭客户的煤气供应。ULC Technologies还开发了一套机器人摄像头和爬行系统，用于检查活的煤气管道，帮助公用事业公司降低风险、提高效率和解决运营挑战。

除了我们目前的地下机器人系统外，我们还有一支内部研发团队正在为其他行业开发机器人解决方案。一个例子是机器人道路施工和挖掘系统（RRES），这是我们与英国公司SGN合作开发的项目。RRES是一种全电动机器人系统，旨在用来替代传统的挖掘方法，具有以下功能：地下感知、挖掘和切割道路、自动化软挖掘、管道安装以及重新铺设道路。通过进一步的开发，我们希望能够扩展RRES在未来可以执行的操作范围。

这只是我们目前提供的机器人解决方案的一个例子，但有关我们技术的更多信息可以在我们的网站上找到。我们还有许多其他正在开发的项目，并且我们始终在寻找与公用事业、能源和工业行业的领导者合作，以确定和开发创新解决方案的机会。

什么类型的数据被收集？

ULC Technologies构建定制的机器人解决方案，以解决行业中的不同技术挑战。根据应用类型，每个机器人从其环境中捕获不同类型的数据。以下是我们在检查操作中收集的一些流行数据类型的列表：

1. 高分辨率彩色图像。例如，我们的无人机在检查工作中捕获40MPixel图像
2. 3D点云。例如，我们的一些管道爬行机器人收集的3D点云
3. 一些我们的地面机器人处理LIDAR数据以进行导航
4. 红外图像。我们的无人机和资产识别和映射（AIM）解决方案可以在检查工作中捕获红外图像，以评估资产的状况
5. 高频雷达。机器人道路施工和挖掘系统（RRES）使用地面穿透雷达来绘制地下埋设资产的位置

还有许多其他类型的数据被我们的平台收集用于不同的目的，这些数据不在此列表中，因为它们特定于某个行业。

这些图像如何被地理标记？

在每个机器人平台上，地理标记捕获的图像会根据该系统和其环境中的可用信息进行处理。

我们的AIM系统使用机载GPS来绘制我们的调查车辆的路径。使用其他机载传感器、计算机视觉算法和目标跟踪，我们的专有软件测量每个识别出的资产的位置，并相应地地理标记它们的图像。在GPS受限的环境中，例如地下管道，我们的机器人使用其他方法与地面调查车辆进行通信，以地理标记从管道内部捕获的数据。

目前使用哪些机器学习技术来处理数据？

有三种主要的机器学习方法被用于机器人和自主数据处理，所有这些方法都被用于ULC Technologies的不同应用中。

1. 监督学习，需要地面真实值来训练模型。这些模型在数据处理中具有更高的准确性。ULC的AIM解决方案使用此模型来识别地面电力基础设施资产，具有高准确性和可重复性。
2. 无监督学习，模型识别数据中的相似性和异常。我们使用此方法来处理我们的管道爬行机器人从摄像头捕获的视频，并绘制它们沿着管道的位置。
3. 强化学习，这是一种基于奖励的系统，用于训练复杂设备，而无需进行复杂的逆运动学计算。我们使用此方法来操作RRES平台上的机器人臂，以执行不同的挖掘操作。

您是否还有其他关于ULC Technologies的信息想要分享？

我们始终在寻找与工业、能源和建筑行业的领导者合作的机会，以识别和开发创新解决方案。通过我们的工作和现场测试，我们继续提高我们的AI和机器学习能力，并期待在未来为我们的客户解决新的挑战。感谢这次精彩的采访，希望读者能够通过访问ULC Technologies网站来了解更多信息。