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.