Festo skupia się na inteligentnej produkcji przyszłości. Jako lider technologii i innowacji w automatyce przemysłowej, dążymy do ustanowienia sztucznej inteligencji (AI) jako kluczowej technologii i podstawowej kompetencji oraz do konsekwentnego wykorzystywania jej w rozwiązaniach automatyzacyjnych dla naszych klientów. Dlatego też badamy nowe możliwości i obszary zastosowań.
Sztuczna inteligencja oznacza różnorodne metody i techniki. Należą do nich metody takie jak deep learning, reinforcement learning czy bio-inspired AI. Wiele z tych metod nie jest nowych, ale większa moc obliczeniowa i zmodernizowana infrastruktura umożliwiają obecnie ich powszechne stosowanie w produkcji przemysłowej. Sztuczna inteligencja pozwala nam rozwiązywać problemy, które wcześniej były niemożliwe do rozwiązania: na przykład, często nie jest możliwa praca z metodami opartymi na modelach w technologii sterowania w pętli zamkniętej złożonych systemów z potężną dynamiką płynów. Abstrakcje są zbyt nieprecyzyjne lub matematycznie zbyt złożone. Reinforcement learning (uczenie przez wzmacnianie) pozwoli nam w przyszłości szkolić takie systemy.
Dzięki uczeniu przez wzmacnianie, maszyny mogą samodzielnie uczyć się, jak osiągnąć dany cel lub rozwiązać problem. Wielką zaletą jest to, że komputer sam znajduje ścieżkę, która może być zupełnie inna niż ta, którą obrałby człowiek z nabytym doświadczeniem. W wielu przypadkach generuje to rozwiązania, o których wcześniej nie myślano. Zakres zastosowań jest szeroki, ponieważ uczenie przez wzmacnianie otwiera ogromne możliwości, od technologii sterowania po robotykę i planowanie łańcucha dostaw.
Deep Learning jest szczególnie przydatny w przypadku indywidualnych umiejętności, w których robot musi być bardzo dobry: na przykład chwytanie nieznanych obiektów, ale zawsze za pomocą tego samego chwytaka. Festo przenosi algorytmy deep learningu w robotyce w obszarze wizji, a także wykorzystuje je do integracji czujników haptycznych, akustycznych i podczerwieni. Do tej pory roboty były często oparte na kamerach i nie mogły kontynuować pracy, jeśli na przykład wystąpiła awaria oświetlenia. Czujniki haptyczne, akustyczne i podczerwieni sprawiają, że roboty są bardziej wytrzymałe i mogą funkcjonować także w trudniejszych warunkach.
W dziedzinie rozproszonych systemów niejednorodnych badamy, czy możliwe jest, aby różne systemy uczyły się od siebie nawzajem: na przykład, czy system manipulacyjny może przekazać swoją wiedzę robotowi. Wiedza w tym przypadku nie oznacza, że dane są wymieniane, ale że systemy komunikują się ze sobą i dzielą się zdobytą wiedzą. Jeśli jest to możliwe, całe systemy mogą się optymalizować i stawać się tym lepsze, im więcej inteligentnych komponentów zostanie zainstalowanych. Na przykład, jeśli oś ze śrubą i przewymiarowany silownik pracują ze sobą, siłownik informuje oś, aby wysuwała się z większą prędkością zamiast z pełnym ciśnieniem. Oznacza to, że wspólnie oszczędzają energię i są bardziej wydajne.
Uczenie się od natury to ważna zasada dla Festo, nie tylko w bionice. Wzorem dla algorytmów może być również przyroda. Struktura sieci neuronowych jest częściowo wzorowana na ludzkim mózgu, ale sposób funkcjonowania pulsujących sieci neuronowych (Spiking Neural Networks) jeszcze dokładniej naśladuje mózg. Mogą one przekazywać i przetwarzać informacje niezależnie od siebie (a nie tylko warstwa po warstwie, jak w sieciach neuronowych). Oznacza to, że są one bardziej energooszczędne i szybsze, a zatem mogą być bardzo obiecującym podejściem dla systemów wbudowanych o niewielkiej mocy obliczeniowej.
W ramach współpracy "Industry on Campus" z Uniwersytetem w Tybindze wspólnie badamy, czy pulsacyjne sieci neuronowe mogą wykonywać bardziej złożone, a nawet kreatywne zadania.
Uniwersytet w Tybindze i Festo prowadzą między innymi wspólne prace badawcze nad ogólnością i możliwością przenoszenia algorytmów. Aby móc przenosić algorytmy, ważne jest, abyśmy nie musieli szkolić osobnego modelu dla każdego systemu i każdego scenariusza zastosowania.