Festo richtet sich auf die smarte Produktion der Zukunft aus. In unserer Rolle als Technologie- und Innovationsführer in der industriellen Automatisierung haben wir den Anspruch, künstliche Intelligenz (KI) als Schlüsseltechnologie und Kernkompetenz zu etablieren und konsequent für automatisierungstechnische Lösungen unserer Kunden zu nutzen. Daher erforschen wir neue Möglichkeiten und Einsatzgebiete.
Künstliche Intelligenz steht für eine Vielzahl von Methoden und Techniken. Dazu gehören Methoden wie Deep Learning, Reinforcement Learning oder bioinspirierte KI (bio-inspired AI). Viele dieser Methoden sind nicht neu, aber erhöhte Rechenleistungen und eine modernisierte Infrastruktur ermöglichen heute einen breiten Einsatz in der industriellen Produktion. Durch KI können wir Probleme angehen, die bisher nicht lösbar waren: Zum Beispiel ist es in der Regelungstechnik komplexer Systeme bei starker Strömungsdynamik oft nicht möglich, mit modellbasierten Methoden zu arbeiten. Die Abstraktionen sind zu ungenau oder mathematisch zu komplex. Durch Reinforcement Learning können wir solche Systeme zukünftig einlernen.
Mit Reinforcement Learning können Maschinen selbstständig lernen, wie sie ein vorgegebenes Ziel erreichen oder ein Problem lösen. Der große Vorteil ist, dass der Computer selbst einen Weg findet, der gegebenenfalls ganz anders ist als der, den ein Mensch mit gelernter Erfahrung einschlagen würde. In vielen Fällen werden so Lösungen erzeugt, an die man vorher nicht gedacht hat. Die Anwendungsfelder sind groß: Von der Reglungstechnik über die Robotik bis hin zur Supply Chain-Planung eröffnen sich durch Reinforcement Learning riesige Potenziale.
Deep Learning eignet sich vor allem für Einzelfähigkeiten, die ein Roboter sehr gut können muss: zum Beispiel unbekannte Objekte greifen, allerdings immer mit dem gleichen Greifer. Festo überträgt Deep Learning-Algorithmen im Bereich Vision, aber auch für die Zusammenführung von Sensoren für Haptik, Akustik und Infrarot in die Robotik. Denn bisher arbeiten Roboter oft kamerabasiert und können beispielsweise bei einem Lichtausfall nicht weiterarbeiten. Durch haptische, akustische und Infrarotsensoren werden Roboter robuster und funktionieren auch unter schwierigeren Bedingungen.
In the field of distributed inhomogeneous systems, we are investigating whether it is possible for different systems to learn from each other: for example if a handling system can pass on its knowledge to a robot. In this case, passing on knowledge doesn't mean exchanging data, but rather that the systems communicate with each other and share their learned knowledge with each other. If this is possible, entire systems can optimise themselves and become better as more intelligent components are installed. For example, if a ball screw axis and an oversized cylinder are operating in succession, the cylinder notifies the ball screw axis that it needs to extend at a higher speed rather than at full pressure. This means that they save energy together and are more efficient.
Alongside other joint research activities, the University of Tübingen and Festo are working on the generalisability and transferability of algorithms. To be able to transfer algorithms, it is important that we don’t need to train a separate model for every system and every application scenario.