Forschungsfeld Künstliche Intelligenz

Festo bringt Hardware- und KI-Kompetenz zusammen, um bisher ungelöste Probleme anzugehen

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.

Reinforcement Learning

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

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.

Verteilte inhomogene Systeme

Im Bereich verteilte inhomogene Systeme untersuchen wir, ob es möglich ist, dass unterschiedliche Systeme voneinander lernen: ob beispielsweise ein Handlingsystem sein Wissen an einen Roboter weitergeben kann. Wissen bedeutet in diesem Fall nicht, dass Daten ausgetauscht werden, sondern dass die Systeme miteinander kommunizieren und sich gegenseitig ihr gelerntes Wissen mitteilen. Wenn dies möglich ist, können sich ganze Systeme selbst optimieren und werden besser, je mehr intelligente Komponenten verbaut sind. Arbeiten beispielsweise eine Spindelachse und ein überdimensionierter Zylinder hintereinander, meldet der Zylinder der Spindelachse, sie soll mit höherer Geschwindigkeit ausfahren, statt mit vollem Druck. So sparen sie im Zusammenspiel Energie ein und sind effizienter.

IA bio-ispirata

Imparare dalla natura è importante per Festo, e non solo nella bionica. La natura può essere modello per gli algoritmi. Le reti neurali sono in parte modellate sul cervello umano in termini di struttura, ma il modo in cui funzionano le reti neurali pulsate (reti neurali spike) è ancora più vicino al cervello umano. Possono trasmettere ed elaborare informazioni indipendentemente (e non solo strato per strato, come nelle reti neurali). Operano in modo più efficiente e rapido e potrebbero rappresentare un approccio promettente per i sistemi emessi con poca potenza di calcolo.

Nell'ambito di "Industry on Campus" con l'Università di Tubinga, stiamo studiando insieme se le reti neurali Spiking possono risolvere compiti più complessi o addirittura creativi.

Generalizzabilità e trasferibilità

Tra le altre attività di ricerca congiunte, l'Università di Tubinga e Festo stanno lavorando sulla generalizzabilità e trasferibilità degli algoritmi. È importante che non si debba addestrare un modello separato per ogni sistema e ogni caso d'uso, in modo da poter trasferire gli algoritmi.