Festo se prepara para la producción inteligente del futuro. En nuestro papel de líder en tecnología e innovación en la automatización industrial, pretendemos establecer la inteligencia artificial (IA) como tecnología clave y competencia principal y utilizarla de forma coherente para las soluciones de automatización para nuestros clientes. Por eso exploramos posibilidades y ámbitos de aplicación nuevos.
La inteligencia artificial representa una variedad de métodos y técnicas. Entre ellos se encuentran métodos como el aprendizaje profundo, el aprendizaje por refuerzo o la IA bioinspirada. Muchos de estos métodos no son nuevos, pero el aumento de la potencia informática y la modernización de las infraestructuras permiten ahora su uso generalizado en la producción industrial. La IA nos permite abordar problemas que antes eran irresolubles: por ejemplo, en la ingeniería de control de sistemas complejos con una fuerte dinámica de fluidos, a menudo no es posible trabajar con métodos basados en modelos. Las abstracciones son demasiado imprecisas o matemáticamente demasiado complejas. El aprendizaje por refuerzo nos permitirá programar estos sistemas en el futuro.
Con el aprendizaje por refuerzo, las máquinas pueden aprender de forma autónoma cómo alcanzar un determinado objetivo o resolver un problema. La gran ventaja es que el propio ordenador encuentra un camino que puede ser muy diferente del que tomaría un humano con experiencia aprendida. En muchos casos, esto genera soluciones que no se habían pensado antes. Los campos de aplicación son amplios: desde la tecnología de control hasta la robótica o la planificación de la cadena de suministro, el aprendizaje por refuerzo abre un enorme potencial.
El aprendizaje profundo es especialmente adecuado para habilidades individuales en las que un robot debe ser muy bueno: por ejemplo, agarrar objetos desconocidos, pero siempre con la misma pinza. Festo está transfiriendo algoritmos de aprendizaje profundo en el campo de la visión, pero también para la fusión de sensores de háptica, acústica e infrarrojos en la robótica. Hasta ahora, los robots suelen estar basados en cámaras y no pueden seguir trabajando en caso de que, por ejemplo, falle la luz. Los sensores hápticos, acústicos e infrarrojos hacen que los robots sean más robustos y puedan funcionar en condiciones más difíciles.
En el ámbito de los sistemas distribuidos no homogéneos, investigamos si es posible que diferentes sistemas aprendan unos de otros: si, por ejemplo, un sistema de manipulación puede transmitir sus conocimientos a un robot. El conocimiento en este caso no significa que se intercambien datos, sino que los sistemas se comunican entre sí y comparten sus conocimientos aprendidos. Si esto es posible, sistemas enteros pueden optimizarse y ser mejores cuanto más componentes inteligentes se instalen. Por ejemplo, si un eje de accionamiento por husillo y un cilindro sobredimensionado trabajan en tándem, el cilindro indicará al eje de husillo que se extienda a mayor velocidad en lugar de a plena presión. De este modo, ahorran energía y son más eficientes cuando trabajan juntos.
Aprender de la naturaleza es un principio importante para Festo, y no solo en la biónica. La naturaleza también puede ser un modelo para los algoritmos. Las redes neuronales se inspiran en parte en el cerebro humano en cuanto a su estructura, pero el funcionamiento de las redes neuronales pulsantes (spiking neural networks) es aún más parecido al del cerebro humano. Pueden transmitir y procesar información de forma independiente (y no solo capa por capa, como en las redes neuronales). Así, funcionan de forma más eficiente y rápida desde el punto de vista energético y, por lo tanto, podrían ser un enfoque prometedor para los sistemas integrados con poca potencia de cálculo.
En el marco de la cooperación «Industry on Campus» con la Universidad de Tubinga, estamos investigando conjuntamente si las redes neuronales de picos pueden resolver tareas más complejas o incluso creativas.
Entre otras actividades de investigación conjuntas, la Universidad de Tubinga y Festo trabajan en la generalización y transferibilidad de los algoritmos. Es importante que no haya que entrenar un modelo distinto para cada sistema y cada caso de uso para poder transferir los algoritmos.