Production, entrepôt, expédition – des commandes sont également préparées là où des produits sont fabriqués, triés ou emballés. Pour cela, des robots saisissent souvent des marchandises individuelles dans des caisses et les rassemblent. Dans le cadre du projet FLAIROP, Festo mène des recherches avec des partenaires en Allemagne et au Canada, afin de rendre les robots de préparation de commandes plus intelligents grâce à des méthodes d'IA fédérées. Ils étudient comment utiliser des données d'entraînement émanant de plusieurs postes, usines ou entreprises, sans devoir diffuser des données sensibles.
« Nous étudions comment les données d'entraînement les plus diverses possibles émanant de plusieurs sites peuvent être utilisées pour développer des solutions plus robustes et plus efficaces à l'aide d'algorithmes d'intelligence artificielle, comme avec des données provenant d'un seul robot », déclare Jonathan Auberle, de l'Institut für Fördertechnik und Logistiksysteme (IFL), au Karlsruher Institut für Technologie (KIT).
Pour cela, des articles sont traités par préhension et transfert par des robots autonomes sur plusieurs postes de préparation de commandes. Les robots sont entraînés sur les différents postes avec des articles complètement différents. Au final, ils doivent être en mesure de saisir des articles d'autres postes qu'ils ne connaissaient pas au préalable. « L'approche de l'apprentissage fédéré, également appelé federated learning, nous permet de concilier la diversité des données avec la sécurité des données en milieu industriel », d'après l'expert.