Festo 专注于未来的智能生产。作为工业自动化技术和创新的引领者，我们立志将人工智能作为关键技术和核心竞争力，对人工智能进行系统化应用，为客户提供自动化技术解决方案。因此，我们针对新的机遇和应用领域展开研究。
人工智能涉及大量不同的方法和技术，如深度学习、强化学习或仿生人工智能。其中许多方法之前就开始使用，但是处理能力和现代化基础设施的进步意味着，现在，这些方法在工业生产中可以得到更广泛的应用。人工智能可以帮助我们解决那些之前无法解决的问题。例如，在具有强大流体力学的复杂系统的闭环控制技术中，通常不可能使用基于模型的方法。抽象不够精确，而且算法上过于复杂。强化学习可以帮助我们以后对此类系统进行训练。
强化学习使机器能够独立学习如何实现一个具体的目标或解决某个问题。其主要优势在于，计算机可以自己找到方法，该方法与有学习经验的人类会采取的方法可能截然不同。在许多案例中，这会产生没有人想到过的解决方案。强化学习开创了巨大的潜力，从控制技术到机器人技术和供应链计划，其应用范围极其广泛。
深度学习尤其适用于机器人需要熟练掌握的某些技术，如使用同一个抓手抓取不熟悉的物品。Festo 将深度学习算法应用于视觉领域的机器人技术，并将其与触觉、听觉和红外传感器相结合。这一应用的必要性在于，到目前为止，机器人通常需要依赖摄像头来操作，一旦没有光线，机器人就会停止工作。配有触觉、听觉和红外传感器的机器人运行更加稳定，并且可以在更困难的条件下工作。
在分布式异构系统领域，我们正在探究是否可以让不同的系统彼此学习，比如说，抓取系统能否将自己的知识传输给机器人。这种情况下，传输知识并非指交换数据，而是系统之间可以互相通信，将它们所学的知识分享给对方。如果可以实现，随着安装更多智能元件，整个系统可以自我优化，变得更强大。举例来说，如果一个丝杠式电缸与超大规格气缸先后进行同一项工作，那么气缸就可以通知丝缸式电缸，它需要做的是以更快的速度推进，而非满压力运行。这样就可以节省能源，并且效率更高。
Learning from nature is an important principle for Festo and one that extends beyond bionics. Nature can also serve as an example for algorithms. The structure of neural networks is partly modelled on the human brain, but the way that spiking neural networks function mimics the brain even more closely. Spiking neural networks can convey and process information independently of each other (and not just in layers like in neural networks). This means that they are more energy efficient and faster and could therefore be a highly promising approach for embedded systems with minimal processing power.
As part of the "Industry on Campus" collaboration with the University of Tübingen, we are investigating whether spiking neural networks could perform more complex or even creative tasks.
Alongside other joint research activities, the University of Tübingen and Festo are working on the generalisability and transferability of algorithms. To be able to transfer algorithms, it is important that we don’t need to train a separate model for every system and every application scenario.