Festo je usmjeren na pametnu proizvodnju budućnosti. U svojoj ulozi predvodnika u području tehnologije i inovacija u industrijskoj automatizaciji cilj nam je etablirati umjetnu inteligenciju (AI) kao ključnu tehnologiju i temeljnu vještinu te je dosljedno upotrebljavati za rješenja naših klijenata u području automatizacije. Stoga istražujemo nove mogućnosti i područja primjene.
Umjetna inteligencija označava različite metode i tehnike. Uključuje metode kao što su dubinsko učenje, podržano učenje ili biološki inspirirana umjetna inteligencija (bio-inspired AI). Mnoge od ovih metoda nisu nove, ali zahvaljujući povećanoj računalnoj snazi i moderniziranoj infrastrukturi danas imaju široku primjenu u industrijskoj proizvodnji. S pomoću AI-ja možemo se uhvatiti ukoštac s problemima koji su dosad bili nerješivi. Na primjer, u regulacijskoj tehnici složenih sustava s jakom dinamikom fluida često nije moguće upotrebljavati metode temeljene na modelima. Apstrakcije su previše neprecizne ili matematički previše složene. S pomoću podržanog učenja u budućnosti moći ćemo programirati takve sustave.
Uz podržano učenje strojevi mogu samostalno naučiti kako postići zadani cilj ili kako riješiti problem. Velika je prednost u tome što računalo samo pronalazi rješenje, koje se može uvelike razlikovati od onoga do kojega bi došla osoba s naučenim iskustvom. U mnogim slučajevima to generira rješenja o kojima prije nitko nije razmišljao. Područja primjene su velika: od regulacijske tehnike preko robotike do planiranja opskrbnog lanca, podržano učenje donisi golem potencijal.
Dubinsko učenje posebno je prikladno za individualne vještine kojima robot mora izvrsno vladati, na primjer hvatanje nepoznatih predmeta, ali uvijek istom hvatalicom. Festo prenosi algoritme dubinskog učenja u područje vida, ali i za kombinaciju senzora za osjet dodira, akustiku i infracrveno u robotici. Do sada su roboti često bili usmjereni na kameru i nisu mogli nastaviti s radom ako, primjerice, dođe do kvara na svjetlu. Zahvaljujući senzorima za osjet dodira, zvučnim i infracrvenim senzorima roboti su robusniji i funkcionalniji, čak i u teškim uvjetima.
U području distribuiranih nehomogenih sustava istražujemo postoji li mogućnost da različiti sustavi uče jedni od drugih: na primjer, može li sustav rukovanja prenijeti svoje znanje robotu. U ovom slučaju znanje ne znači da se podaci razmjenjuju, nego da sustavi međusobno komuniciraju i međusobno dijele znanje koje su naučili. Ako je to moguće, cijeli se sustavi mogu sami optimizirati i postajati sve bolji što se inteligentnije komponente instaliraju. Na primjer, ako os vretena i preveliki cilindar rade jedno iza drugog, cilindar javlja osi vretena da bi se trebala kretati većom brzinom, a ne punim tlakom. Zajedno štede energiju i učinkovitiji su.
Učenje od prirode osim u bionici važno je načelo i za Festo. Priroda može poslužiti kao model i za algoritme. Struktura neuronskih mreža djelomično se izrađuje na temelju ljudskog mozga, ali ljudskom mozgu još je sličnija funkcionalnost pulsnih neuronskih mreža (Spiking Neural Networks). Mogu prenositi i obrađivati informacije neovisno jedna o drugoj (i ne samo u slojevima, kao u neuronskim mrežama). Tako rade energetski učinkovitije i brže te bi stoga mogle biti obećavajući pristup za ugrađene sustave s malo računalne snage.
U sklopu suradnje "Industry on Campus" sa Sveučilištem u Tübingenu zajedno istražujemo mogu li pulsne neuronske mreže riješiti složenije ili čak i kreativne zadatke.
Osim drugih zajedničkih istraživačkih aktivnosti, Sveučilište u Tübingenu i Festo rade na generalizabilnosti i prenosivosti algoritama. Važno je da nije za svaki sustav i svaku upotrebu potrebno trenirati poseban model za prenošenje algoritama.