Festo는 미래의 스마트 생산을 위해 노력합니다. 산업 자동화의 기술 및 혁신 리더로서 인공 지능(AI)을 핵심 기술 및 역량으로 확립하고 이를 고객의 자동화 솔루션에 지속적으로 이용하고자 합니다. 바로 이것이 Festo가 새로운 가능성과 응용 분야를 연구하는 이유입니다.
인공 지능은 다양한 방식과 기술을 의미합니다. 여기에는 딥러닝, 강화 학습 또는 생체 모방 AI(bio-inspired AI) 같은 방식이 포함되어 있습니다. 이 중 많은 방식은 새로운 것은 아니지만 향상된 컴퓨팅 성능과 현대화된 인프라를 통해 오늘날 산업 생산에 널리 사용될 수 있습니다. AI를 통해 이전에는 어려웠던 문제를 해결할 수 있습니다. 예를 들어, 강력한 유체 역학이 적용되는 복잡한 시스템의 제어 기술에서는 모델 기반 방식으로 작업할 수 없는 경우가 많습니다. 추상적 개념들은 애매하다거나 수학적으로도 너무 복잡합니다. 강화 학습을 통해 미래에는 이러한 시스템을 학습시킬 수 있습니다.
강화 학습을 통해 기계는 주어진 목표를 달성하는 방법이나 문제를 해결하는 방식을 스스로 학습할 수 있습니다. 가장 큰 장점은 컴퓨터가 스스로 경로를 찾는 것인데, 이것은 전문 경험이 있는 사람이 선택하는 경로와 완전히 다를 수 있습니다. 많은 경우 이를 통해 기존에는 생각하지 못한 솔루션을 창출합니다. 적용 분야는 매우 광범위합니다. 강화 학습은 제어 기술에서 로봇 공학, 공급망 계획에 이르기까지 거대한 잠재력을 열어줍니다.
딥러닝은 무엇보다 로봇이 능숙하게 수행할 수 있어야 하는 개별 기술에 적합합니다. 예를 들어, 항상 동일한 그리퍼로 미지의 물체를 파지하는 것입니다. Festo는 시각 분야의 딥러닝 알고리즘을 전송하며 햅틱, 음향 및 적외선 센서를 로봇 공학에 통합하는 데에도 사용합니다. 지금까지 로봇은 흔히 카메라를 기반으로 작업하여 조명 고장 같은 경우에는 작동이 중단됩니다. 햅틱, 음향 및 적외선 센서를 통해 로봇이 더욱 견고해지고 어려운 조건에서도 작동할 수 있습니다.
Festo는 분산된 비동질성 시스템 영역에서 서로 다른 시스템이 서로 학습할 수 있는지, 예를 들어 핸들링 시스템이 지식을 로봇에게 전달할 수 있는지 그 가능성을 연구합니다. 이 경우 지식이란 데이터 교환이 아닌 시스템이 서로 통신하고 배운 지식을 공유하는 것을 의미합니다. 이 기술이 가능하다면 전체 시스템은 더 지능적인 컴포넌트가 설치될수록 스스로 최적화할 수 있습니다. 예를 들어, 스핀들 축과 대형 실린더가 뒤이어 작동하는 경우, 실린더는 스핀들 축에 최대 압력이 아닌 더 빠른 속도로 이동해야 한다고 보고합니다. 이러한 연동 작용은 훨씬 효율적이며 에너지를 절약합니다.
자연에서 배우는 것은 Festo의 중요한 원칙으로서 바이오닉스에만 국한된 것이 아닙니다. 알고리즘에서도 자연은 모델이 될 수 있습니다. 신경망 구조는 부분적으로 인간의 뇌를 모방하였지만 그보다 더 펄스 신경망(스파이킹 신경망)의 기능 방식이 인간의 뇌에 훨씬 가깝습니다. 이들은 신경망처럼 그룹별이 아닌 서로 독립적으로 정보를 전송하고 처리할 수 있습니다. 더욱 에너지 효율적이고 신속하여 적은 컴퓨팅 성능을 가진 임베디드 시스템을 위한 유망한 접근 방식이 될 수 있습니다.
Festo는 튀빙겐 대학교와 협력하여 "Industry on Campus"의 일환으로 스파이킹 신경망이 더 복잡하거나 창의적인 과제를 해결할 수 있는지를 연구하고 있습니다.
다른 공동 연구 활동 외에도 튀빙겐 대학교와 Festo는 알고리즘의 일반화 및 전송 가능성을 연구하고 있습니다. 여기서 중요한 것은 알고리즘 전송을 위해 모든 시스템과 모든 응용 사례에 대해 별도의 모델을 훈련할 필요가 없다는 것입니다.