Festoは未来のスマートな製造に向かって進んでいます。産業オートメーションのテクノロジーおよびイノベーションリーダーを牽引する役割において、Festoは人工知能(AI)を主要なテクノロジーおよびコアコンピテンスとして確立し、それらをお客様のオートメーションソリューションに一貫して使用することを目指しています。このため、Festoは新しい可能性と応用分野を研究しています。
人工知能はさまざまな方法や手法を生み出します。これにはDeep Learning、Reinforcement Learning、またはバイオインスパイアードAI(bio-inspiredAI)などの方法が含まれます。これらの方法の多くは新しいものではありませんが、計算能力の向上と最新のインフラストラクチャにより今日の工業生産で広く使用できるようになっています。AIを使用すると、以前は解決できなかった問題に取り組むことができます。例えば強いフローダイナミクスを持つ複雑なシステムの調整技術においてはモデルベースの方法を使用できないことがよくあります。抽象化は不正確すぎるか、数学的に複雑すぎます。Reinforcement Learningを通じて将来的にそのようなシステムの学習を実現できるのです。
Reinforcement Learningを使用すると、マシンは特定の目標を達成する方法や問題を解決する方法を個別に学習できます。大きな利点はコンピューターがパス自体を見つけることです。これは経験を積んだ人がたどるパスとは完全に異なる場合があります。多くの場合、これによりこれまで考えられなかったソリューションが作成されます。応用分野は広く、制御技術からロボット工学, サプライチェーン計画までReinforcement Learningは大きな可能性を開きます。
Deep Learningはロボットが非常にうまく実行できなければならない個々のスキルに特に適しています。例えばいつも同じグリッパを使って未知のオブジェクトを把持することなどがここに含まれます。Festoは視覚の分野にDeep Learningアルゴリズムを転用するだけでなく、触覚、音響、赤外線のセンサをロボット工学に統合するためにも使用します。従来のロボットはカメラベースであることが多く、たとえば停電が発生した場合など、動作を継続できません。触覚, 音響, 赤外線センサによりロボットはより頑丈になり、困難な条件下でも機能します。
不均一分布システムの分野ではさまざまなシステムが相互に学習できるかどうかを調査します。例えばハンドリングシステムがその知識をあるロボットに渡すことができるかどうか、といったことです。この場合、知識とはデータが交換されることを意味するのではなく、システムが相互に通信し学習した知識を相互に共有することを意味します。可能な場合はいつでも、システム全体が自己の最適化に努めます。これらのシステムはより多くのインテリジェントコンポーネントが取り付けられていればいるほど良くなります。例えばボールねじアクチュエータと特大のシリンダが次々に作動する場合、シリンダはボールねじアクチュエータに、全圧ではなく高速で伸張する必要があることを通知します。このようにして、連携プレイでエネルギーの節約と効率性の向上が可能になります。
自然から学ぶことはバイオニクスだけでなく、Festoにとっても重要な原則です。自然はアルゴリズムのモデルとしても機能します。ニューラルネットワークの構造は部分的に人間の脳を模倣していますが、パルスニューラルネットワーク(Spiking Neural Networks)の機能は人間の脳にさらに近づいています。それらは互いに独立して(ニューラルネットワークのようにレイヤーだけでなく)情報を伝送および処理できます。これらはよりエネルギー効率が高く、より高速に動作します。このため、これらは計算能力がほとんどない組み込みシステムにとって有望なアプローチとなる可能性があります。
Tübingen大学との協力のもと進められている「Industry on Campus」の一環としてFestoは Spiking Neural Networks がより複雑なタスクや創造的なタスクを解決できるかどうかを共同で調査しています。
他の共同研究活動に加えて、Tübingen大学とFestoはアルゴリズムの一般化可能性とポータビリティに取り組んでいます。アルゴリズムを転送できるようにするには全てのシステムおよび全てのユースケースに対して個別のモデルをトレーニングする必要がないことが重要です。