Festo richt zich op de slimme productie van de toekomst. In onze rol als technologie- en innovatieleider in de industriële automatisering willen wij van kunstmatige intelligentie (KI) een sleuteltechnologie en kerncompetentie maken en consequent inzetten voor automatiseringsoplossingen voor onze klanten. Daarom onderzoeken wij nieuwe mogelijkheden en toepassingsgebieden.
Kunstmatige intelligentie staat voor een verscheidenheid aan methoden en technieken. Daartoe behoren methoden zoals deep learning, reinforcement learning of bio-gebaseerde KI (bio-inspired AI). Veel van deze methoden zijn niet nieuw, maar door de hogere rekenkracht en gemoderniseerde infrastructuren kunnen ze nu op grote schaal in de industriële productie worden gebruikt. Met KI kunnen we problemen aanpakken die voorheen onoplosbaar waren: in de besturingstechniek van complexe systemen met een sterke stromingsdynamica is het bijvoorbeeld vaak niet mogelijk om met modelgebaseerde methoden te werken. De abstracties zijn te onnauwkeurig of mathematisch te complex. Dankzij reinforcement learning kunnen we dergelijke systemen in de toekomst inleren.
Met reinforcement learning kunnen machines zelfstandig leren hoe ze een bepaald doel moeten bereiken of een probleem moeten oplossen. Het grote voordeel is dat de computer zelf een manier vindt die heel anders kan zijn dan de manier waarop een mens met ervaring het zou doen. In veel gevallen levert dit oplossingen op waar nog niet aan was gedacht. De toepassingsgebieden zijn enorm: van regeltechniek en robotica tot de planning van de toeleveringsketen, door reinforcement learning ontstaan er geweldige mogelijkheden.
Deep learning is vooral geschikt voor afzonderlijke vaardigheden waar een robot heel goed in moet zijn: bijvoorbeeld het grijpen van onbekende voorwerpen met steeds dezelfde grijper. Festo draagt deep learning-algoritmen over voor het bereik Vision, maar ook voor het samenbrengen van sensoren voor haptiek, akoestiek en infrarood in de robotica. Tot nu toe waren robots namelijk vaak gebaseerd op camera's en kunnen ze niet blijven werken als bijvoorbeeld het licht uitvalt. Door haptische en akoestische sensoren en infraroodsensoren worden robots robuuster en kunnen ze ook in moeilijker omstandigheden functioneren.
Voor het bereik gedistribueerde, niet-homogene systemen onderzoeken we of het mogelijk is om verschillende systemen van elkaar te laten leren: of bijvoorbeeld een handlingssysteem zijn kennis kan doorgeven aan een robot. Kennis betekent in dit geval niet dat gegevens worden uitgewisseld, maar dat de systemen met elkaar communiceren en de verworven kennis met elkaar delen. Als dit mogelijk is, kunnen hele systemen zichzelf optimaliseren en beter worden naarmate er meer autonome systemen zijn ingebouwd. Als bijvoorbeeld een spindelas en een te grote cilinder met elkaar werken, zal de cilinder aan de spindelas melden om met een hogere snelheid uit te schuiven in plaats van met volle druk. Op die manier besparen ze energie en werken ze efficiënter samen.
Leren van de natuur is een belangrijk principe voor Festo, niet alleen in de bionica. De natuur kan als voorbeeld dienen voor algoritmen. Neurale netwerken zijn wat hun opbouw betreft deels gebaseerd op het menselijke brein, maar de manier waarop gepulste neurale netwerken (spiking neural networks) werken staat nog dichter bij het menselijke brein. Ze kunnen onafhankelijk van elkaar informatie overdragen en verwerken (en niet alleen laag voor laag, zoals in neurale netwerken). Zo werken ze dus energie-efficiënter en sneller, waardoor ze een veelbelovende methode kunnen zijn voor ingebedde systemen met weinig rekenkracht.
In het kader van de samenwerking "Industry on Campus" met de universiteit Tübingen onderzoeken we samen of Spiking Neural Networks complexere of zelfs creatieve taken kunnen oplossen.
Naast andere gemeenschappelijke onderzoeksactiviteiten werken de universiteit Tübingen en Festo aan de generaliseerbaarheid en overdraagbaarheid van algoritmen. Het is belangrijk dat niet voor elk systeem en elk gebruik een apart model hoeft te worden getraind, zodat we algoritmen kunnen overdragen.