Producción, almacén, expedición: donde se producen, clasifican o empaquetan las mercancías, también está el picking. Los robots suelen coger productos individuales de las cajas y los vuelven a montar. Festo está investigando en el proyecto FLAIROP con socios de Alemania y Canadá para hacer que los robots de picking sean más inteligentes utilizando métodos de IA distribuida. Están investigando cómo utilizar los datos de formación de varias estaciones, plantas o empresas sin tener que dar datos sensibles de la empresa.
“Estamos investigando cómo se pueden utilizar los datos de entrenamiento más versátiles posibles de múltiples ubicaciones para desarrollar soluciones más robustas y eficientes con la ayuda de algoritmos de inteligencia artificial que con los datos de un solo robot”, explica Jonathan Auberle, del Instituto de Sistemas de Manipulación de Materiales y Logística (IFL) del Instituto Tecnológico de Karlsruhe (KIT).
Aquí, los artículos son procesados en varias estaciones de picking por robots autónomos mediante agarre y transferencia. En las distintas estaciones, los robots se entrenan con artículos muy diferentes. Al final, deberían ser capaces de recoger artículos de otras estaciones que no conocían antes. “Mediante el enfoque del aprendizaje distribuido, también llamado aprendizaje federado, gestionamos el equilibrio entre la diversidad de datos y su seguridad en el entorno industrial”, afirma el experto.
Hasta ahora, el aprendizaje federado se ha utilizado predominantemente en el sector médico para el análisis de imágenes, donde la protección de los datos de los pacientes es, sin duda, una prioridad muy sensible. Por lo tanto, no hay intercambio de datos de entrenamiento como imágenes o puntos de agarre para entrenar la red neuronal artificial. Solo parte de los conocimientos almacenados —los pesos locales de la red neuronal que indican la intensidad de la conexión entre una neurona y otra— se transfieren a un servidor central. Allí se recogen los pesos de todas las estaciones y se optimizan con la ayuda de varios criterios. La versión mejorada se reproduce entonces en las estaciones locales y el proceso se repite.
El objetivo es desarrollar nuevos y más potentes algoritmos para un uso sólido de la inteligencia artificial para la industria y la logística 4.0, cumpliendo con las directrices de protección de datos.
“En el proyecto de investigación FLAIROP, estamos desarrollando nuevas formas para que los robots aprendan unos de otros sin compartir datos sensibles y secretos empresariales. Esto aporta dos grandes ventajas: protegemos los datos de nuestros clientes y ganamos en velocidad, porque de esta manera los robots pueden hacerse cargo de muchas tareas más rápidamente. Por ejemplo, los robots colaborativos pueden ayudar a los trabajadores de producción en tareas repetitivas, pesadas y agotadoras”, afirma Jan Seyler, responsable de Desarrollo Avanzado. Análisis y control en Festo.