Festo se pregateste pentru productia inteligenta a viitorului. In rolul nostru de lider tehnologic si companie inovatoare in domeniul automatizarii industriale, ne propunem sa stabilim inteligenta artificiala (AI) ca tehnologie cheie si competenta de baza si sa o folosim in mod consecvent pentru solutii tehnice de automatizare pentru clientii nostri. De aceea, exploram noi posibilitati si domenii de aplicare.
Inteligenta artificiala reprezinta o varietate de metode si tehnici. Printre acestea se numara metode precum Deep Learning, Reinforcement Learning sau inteligenta artificiala bio-inspirata. Multe dintre aceste metode nu sunt noi, dar puterea de calcul crescuta si o infrastructura modernizata permit acum o utilizare pe scara larga a acestora, in productia industriala. Inteligenta artificiala ne permite sa abordam probleme care inainte nu puteau fi rezolvate: de exemplu, in tehnologia de control a sistemelor complexe cu o dinamica a fluidelor puternica, adesea nu este posibil sa se lucreze cu metode bazate pe modele. Abstractiunile sunt prea imprecise sau prea complexe din punct de vedere matematic. Reinforcement Learning (invatare prin consolidare) ne va permite sa educam astfel de sisteme in viitor.
Cu ajutorul Reinforcement Learning, masinile pot invata in mod independent cum sa atinga un anumit obiectiv sau sa rezolve o problema. Marele avantaj este ca hardware-ul insusi gaseste o cale care poate fi foarte diferita de cea pe care ar urma-o o fiinta umana cu experienta. In multe cazuri, acest lucru genereaza solutii neluate in considerare inainte. Domeniile de aplicare sunt vaste: de la tehnologia de control, la robotica si la planificarea lantului de aprovizionare, Reinforcement Learning prezinta un potential urias.
Deep Learning (invatare profunda) este foarte potrivita pentru aptitudinile individuale la care un robot trebuie sa exceleze: de exemplu, prinderea obiectelor necunoscute, dar mereu cu acelasi gripper. Festo transfera algoritmi de invatare profunda in domeniul viziunii, dar si pentru imbinarea senzorilor haptici, acustici si cei cu infrarosu in robotica. Pana in prezent, robotii s-au bazat adesea pe camere si nu puteau continua sa functioneze in cazul unei defectiuni a luminii, de exemplu. Senzorii haptici, acustici si cu infrarosu fac robotii mai rezistenti si capabili sa functioneze in conditii mai dificile.
In domeniul sistemelor distribuite neomogene, investigam daca este posibil ca diferite sisteme sa invete unele de la altele: de exemplu, daca un sistem de manipulare poate transmite cunostintele sale unui robot. In acest caz, transferul de cunostinte nu inseamna ca se face schimb de date, ci ca sistemele comunica intre ele si isi partajeaza cunostintele dobandite. Daca acest lucru este posibil, sisteme intregi se pot optimiza singure si pot deveni mai bune cu cat sunt instalate mai multe componente inteligente. De exemplu, daca o axa cu surub si un cilindru supradimensionat lucreaza in tandem, cilindrul va transmite axei cu surub impulsul de ase extinde la o viteza mai mare, in loc de folosirea presiunii maxime. Astfel, acestea economisesc energie si devin mai eficiente atunci cand lucreaza impreuna.
Invatarea din natura este un principiu important pentru Festo, si nu doar pe domeniul bionicii. Natura poate fi, de asemenea, un model pentru algoritmi. Retelele neuronale sunt partial modelate dupa structura creierului uman, dar modul in care functioneaza retelele neuronale cu impulsuri (Spiking Neural Networks) este chiar mai apropiat de creierul uman. Acestea pot transmite si procesa informatii independent unele de altele (si nu doar strat cu strat, ca in cazul retelelor neuronale). Astfel, acestea functioneaza mai eficient din punct de vedere energetic si mai rapid si, prin urmare, ar putea fi o abordare promitatoare pentru sistemele incorporate cu putere de calcul redusa.
Ca parte a cooperarii "Industry on Campus" cu Universitatea din Tübingen, investigam daca Spiking Neural Networks ar putea rezolva sarcini mai complexe sau chiar creative.
Printre alte activitati comune de cercetare, Universitatea din Tübingen si Festo lucreaza la generalizarea si transferabilitatea algoritmilor. Este important sa nu fie necesar sa se antreneze un model separat pentru fiecare sistem si pentru fiecare caz de utilizare, astfel incat sa putem transfera algoritmi.