Zaměřujeme se na chytrou výrobu budoucnosti. V naší roli technologického a inovačního lídra v průmyslové automatizaci se snažíme zavést umělou inteligenci (AI) jako klíčovou technologii i kompetenci a důsledně ji používat pro automatizační řešení našich zákazníků. Proto zkoumáme nové možnosti a oblasti použití.
Umělá inteligence znamená různé metody a techniky. Obsahuje metody, jako je hluboké učení, posilovací učení nebo biologicky inspirovaná AI (bioinspirovaná AI). Mnoho těchto metod není nových, ale zvýšený výpočetní výkon a modernizovaná infrastruktura umožňují jejich široké využití v dnešní průmyslové výrobě. S AI můžeme řešit dříve neřešitelné: například v regulační technice komplexních systémů se silnou dynamikou proudění často není možné pracovat s metodami vycházejícími z modelů. Abstrakce jsou příliš nepřesné nebo matematicky příliš složité. Prostřednictvím posilovacího učení můžeme takové systémy v budoucnu učit.
Díky posilovacímu učení se stroje mohou samostatně naučit, jak dosáhnout daného cíle nebo jak vyřešit nesrovnalosti. Velkou výhodou je, že si počítač sám najde cestu, která může být zcela jiná než ta, kterou by se vydal člověk s naučenými zkušenostmi. V mnoha případech to vytváří řešení, o kterých se dříve neuvažovalo. Oblasti použití jsou velké: od regulační technologie přes robotiku až po plánování dodavatelského řetězce; posilovací učení otevírá obrovský potenciál.
Hluboké učení je vhodné zejména pro individuální dovednosti, které musí robot zvládat velmi dobře: například úchop neznámých předmětů, ale vždy se stejným chapadlem. Algoritmy hlubokého učení přenášíme do vizuálních úloh, ale do robotiky také zavádíme čidla pro haptiku, akustiku a infračervené záření. Až dosud roboty často využívaly kamery a nemohly pokračovat v práci například při poruše osvětlení. Haptická, akustická a infračervená čidla činí roboty robustnějšími a schopnými pracovat i za obtížných podmínek.
V oblasti distribuovaných nehomogenních systémů zkoumáme, zda je možné, aby se různé systémy navzájem učily: například zda manipulační systém může předat své znalosti robotu. V tomto případě znalost neznamená, že dochází k výměně dat, ale že systémy mezi sebou komunikují a sdílejí navzájem znalosti, které se naučily. Kdykoliv je to možné, mohou se celé systémy samy optimalizovat a zlepšovat tím, že jsou instalovány inteligentnější komponenty. Pokud například pohon s vřetenem a příliš veliký válec pracují za sebou, válec hlásí pohonu s vřetenem, že by se měl pohybovat vyšší rychlostí místo plného tlaku. Společně šetří energii a jsou efektivnější.
Učení z přírody je pro Festo důležitou zásadou, a to nejen v bionice. Příroda může také sloužit jako model pro algoritmy. Struktura neurálních sítí částečně napodobuje lidský mozek, ale pulzních neuronové sítě (Spiking Neural Networks) se k lidskému mozku blíží ještě víc. Mohou přenášet a zpracovávat informace nezávisle na sobě (a nejen ve vrstvách, jako v neuronových sítích). Pracují energeticky efektivněji a rychleji, a proto by mohly být slibným přístupem pro vestavěné systémy s malým výpočetním výkonem.
V rámci spolupráce „Industry on Campus“ s univerzitou v Tübingenu společně zkoumáme, zda Spiking Neural Networks dokáží vyřešit složitější nebo dokonce kreativní úkoly.
Kromě dalších společných výzkumných aktivit pracuje Univerzita v Tübingenu a Festo na schopnosti zobecnění a přenositelnosti algoritmů. Je důležité, abychom pro každý systém a každý případ použití nemuseli učit samostatný model, ale abychom mohli algoritmy přenášet.