Festo se tourne vers la production intelligente du futur. Dans notre position de leader de la technologie et de l’innovation dans l’automatisation industrielle, nous avons pour objectif d’imposer l’intelligence artificielle (IA) comme technologie-clé et compétence principale, et de l’utiliser de façon conséquente pour des solutions d’automatisation de nos clients. Par conséquent, nous recherchons de nouvelles possibilités et de nouveaux domaines d’application.
L’intelligence artificielle est synonyme de nombreuses méthodes et techniques. Les méthodes telles que le Deep Learning, le Reinforcement Learning ou l’IA bioinspirée en font partie. Bon nombre de ces méthodes ne sont pas nouvelles, mais des capacités de calcul plus élevées et une infrastructure modernisée permettent aujourd’hui une utilisation à grande échelle dans la production industrielle. L’IA nous permet d’aborder des problèmes qui étaient insolubles jusqu’alors. Voici un exemple : souvent, il n’est pas possible d’utiliser des méthodes basées sur les modèles dans la technique de régulation de systèmes complexes en cas de dynamique importante des fluides. Les abstractions sont trop imprécises ou trop complexes sur le plan mathématique. Le Reinforcement Learning nous permettra à l’avenir de programmer de tels systèmes.
Avec le Reinforcement Learning, les machines peuvent apprendre en toute autonomie comment atteindre un objectif fixé ou résoudre un problème. Le gros avantage en est que l’ordinateur trouve lui-même une voie qui peut être entièrement différente de celle qu’un homme prendrait fort de son expérience. Dans bon nombre de cas, des solutions auxquelles on n’avait pas pensé au préalable sont mises au point. Les champs d’application sont vastes : de la technique de régulation à la planification des chaînes d’approvisionnement en passant par la robotique, le Reinforcement Learning offre des potentiels énormes.
Le Deep Learning convient surtout aux compétences individuelles qu’un robot doit très bien maîtriser : par exemple, saisir des objets inconnus, mais toujours avec la même pince. Festo transmet des algorithmes Deep Learning dans le domaine de la vision, mais aussi pour le rapprochement des capteurs pour l’haptique, l’acoustique et l’infrarouge dans la robotique. Les robots fonctionnent souvent à partir d’une caméra et ne peuvent pas continuer de fonctionner en cas de panne de lumière, par exemple. Grâce aux capteurs haptiques, acoustiques et infrarouges, les robots sont plus résistants et fonctionnent également dans des conditions plus difficiles.
Dans le domaine des systèmes non homogènes répartis, nous examinons s’il est possible que des systèmes différents apprennent les uns des autres, à savoir si un système de manipulation peut, par exemple, transmettre son savoir à un robot. Dans ce cas, le savoir ne signifie pas que les données sont échangées, mais que les systèmes communiquent mutuellement et se transmettent réciproquement le savoir qu’ils ont acquis. Si cela est possible, des systèmes entiers peuvent d’autant plus s’optimiser automatiquement et s’améliorer que des composants intelligents sont utilisés. Si, par exemple, un axe à vis et un vérin surdimensionné fonctionnent l’un derrière l’autre, le vérin signale à l’axe à vis qu’il doit sortir à une vitesse plus élevée plutôt qu’à pleine pression. En interaction, ils économisent de l’énergie et gagnent ainsi en efficacité.
Apprendre de la nature est un principe essentiel pour Festo, pas uniquement dans la bionique. Pour les algorithmes, la nature peut également servir de modèle. La conception des réseaux neuronaux est partiellement copiée sur le cerveau humain, mais le fonctionnement des réseaux neuronaux pulsés (réseaux de neurones à impulsions) se rapproche encore plus du cerveau humain. Ils peuvent transmettre et traiter des informations indépendamment les uns des autres (et pas uniquement par couches, comme c’est le cas avec les réseaux neuronaux). Ils fonctionnent ainsi de façon plus rapide, plus efficace énergétiquement et pourraient ainsi constituer une approche prometteuse pour les systèmes intégrés ayant une capacité de calcul réduite.
Dans le cadre de la coopération « Industry on Campus » avec l’université de Tübingen, nous examinons ensemble si les réseaux de neurones à impulsions peuvent accomplir des tâches plus complexes ou même créatives.
Outre d’autres activités de recherche communes, l’université de Tübingen et Festo travaillent sur la généralisation et la transmissibilité des algorithmes. Il est important qu’un modèle particulier ne doive pas être formé à chaque système et à chaque cas d’application afin que nous puissions transmettre les algorithmes.